Dockerloos: Omgevingsvrije Programmaverificator voor Codeeragenten

Samenvatting

Programmaverificateurs spelen een centrale rol bij het trainen van codeeragenten, waaronder het selecteren van trajecten voor gesuperviseerde fine-tuning (SFT) en het verstrekken van beloningen voor reinforcement learning (RL). Standaard uitvoeringsgebaseerde verificatie vereist het uitvoeren van unit tests binnen per-repository-omgevingen zoals Docker-images, wat aanzienlijke kosten voor het opzetten van omgevingen met zich meebrengt. Wij stellen Dockerless voor, een omgevingsvrije agentische patchverificateur die gegenereerde codepatches beoordeelt zonder deze uit te voeren. In plaats van simpelweg kandidaat-patches te matchen met referenties, beoordeelt Dockerless de correctheid van patches op basis van bewijs dat is verzameld via agentische repository-verkenning. Op een verificateur-evaluatiebenchmark overtreft Dockerless de sterkste open-sourceverificateur met 14,3 AUC-punten. Door Dockerless te gebruiken als zowel de SFT-trajectfilter als de RL-beloning, wordt een volledig omgevingsvrije post-trainingpijplijn mogelijk. Het resulterende model bereikt een oplossingspercentage van respectievelijk 62,0%, 50,0% en 35,2% op SWE-bench Verified, Multilingual en Pro. Het overtreft de Qwen3.5-9B-baseline met 2,4, 8,7 en 2,9 punten en evenaart daarmee omgevingsgebaseerde post-training.

English

Program verifiers play a central role in training coding agents, including selecting trajectories for supervised fine-tuning (SFT) and providing rewards for reinforcement learning (RL). Standard execution-based verification requires running unit tests inside per-repository environments such as Docker images, incurring substantial environment setup costs. We propose Dockerless, an environment-free agentic patch verifier that evaluates generated code patches without executing them. Rather than simply matching candidate patches to references, Dockerless judges patch correctness using evidence gathered through agentic repository exploration. On a verifier evaluation benchmark, Dockerless outperforms the strongest open-source verifier by 14.3 AUC points. Using Dockerless as both the SFT trajectory filter and the RL reward enables a fully environment-free post-training pipeline. The resulting model reaches 62.0%, 50.0%, and 35.2% resolve rate on SWE-bench Verified, Multilingual, and Pro, respectively. It surpasses the Qwen3.5-9B baseline by 2.4, 8.7, and 2.9 points, matching environment-based post-training.