SERA: Zacht-geverifieerde efficiënte repository-agenten

SERA: Soft-Verified Efficient Repository Agents

January 28, 2026

Auteurs: Ethan Shen, Danny Tormoen, Saurabh Shah, Ali Farhadi, Tim Dettmers

cs.AI

Samenvatting

Open-weight coderingsagenten zouden een fundamenteel voordeel moeten hebben ten opzichte van closed-source systemen: ze kunnen worden gespecialiseerd voor privé-codebibliotheken, waarbij repositoriespecifieke informatie direct in hun gewichten wordt gecodeerd. Toch hebben de kosten en complexiteit van training dit voordeel tot nu toe theoretisch gehouden. Wij tonen aan dat het nu praktisch haalbaar is. Wij presenteren Soft-Verified Efficient Repository Agents (SERA), een efficiënte methode voor het trainen van coderingsagenten die de snelle en goedkope creatie van agenten, gespecialiseerd in privé-codebibliotheken, mogelijk maakt. Met alleen supervised finetuning (SFT) behaalt SERA state-of-the-art resultaten onder volledig open-source modellen (open data, methode, code) en evenaart het de prestaties van frontier open-weight modellen zoals Devstral-Small-2. Het creëren van SERA-modellen is 26x goedkoper dan reinforcement learning en 57x goedkoper dan eerdere synthetische data-methoden om een gelijkwaardige prestatie te bereiken. Onze methode, Soft Verified Generation (SVG), genereert duizenden trajecten vanuit een enkele code repository. Gecombineerd met kostenefficiëntie maakt dit specialisatie voor privé-codebibliotheken mogelijk. Naast repositoriespecialisatie passen we SVG toe op een groter corpus van codebibliotheken, waarbij we meer dan 200.000 synthetische trajecten genereren. We gebruiken deze dataset om gedetailleerde analyses te geven van schaalwetten, ablatiestudies en storende factoren bij het trainen van coderingsagenten. Al met al geloven we dat ons werk onderzoek naar open coderingsagenten aanzienlijk zal versnellen en het voordeel aantoont van open-source modellen die kunnen worden gespecialiseerd voor privé-codebibliotheken. We brengen SERA uit als het eerste model in Ai2's Open Coding Agents-reeks, samen met al onze code, data en Claude Code-integratie om de onderzoeksgemeenschap te ondersteunen.

English

Open-weight coding agents should hold a fundamental advantage over closed-source systems: they can be specialized to private codebases, encoding repository-specific information directly in their weights. Yet the cost and complexity of training has kept this advantage theoretical. We show it is now practical. We present Soft-Verified Efficient Repository Agents (SERA), an efficient method for training coding agents that enables the rapid and cheap creation of agents specialized to private codebases. Using only supervised finetuning (SFT), SERA achieves state-of-the-art results among fully open-source (open data, method, code) models while matching the performance of frontier open-weight models like Devstral-Small-2. Creating SERA models is 26x cheaper than reinforcement learning and 57x cheaper than previous synthetic data methods to reach equivalent performance. Our method, Soft Verified Generation (SVG), generates thousands of trajectories from a single code repository. Combined with cost-efficiency, this enables specialization to private codebases. Beyond repository specialization, we apply SVG to a larger corpus of codebases, generating over 200,000 synthetic trajectories. We use this dataset to provide detailed analysis of scaling laws, ablations, and confounding factors for training coding agents. Overall, we believe our work will greatly accelerate research on open coding agents and showcase the advantage of open-source models that can specialize to private codebases. We release SERA as the first model in Ai2's Open Coding Agents series, along with all our code, data, and Claude Code integration to support the research community.