SERA: Мягко-верифицированные эффективные репозиторные агенты

SERA: Soft-Verified Efficient Repository Agents

January 28, 2026

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

cs.AI

Аннотация

Агенты с открытыми весами для программирования должны обладать фундаментальным преимуществом перед закрытыми системами: их можно специализировать под приватные кодобазы, кодируя информацию, специфичную для репозитория, непосредственно в их весах. Однако стоимость и сложность обучения до сих пор делали это преимущество теоретическим. Мы показываем, что теперь это практично. Мы представляем Soft-Verified Efficient Repository Agents (SERA) — эффективный метод обучения программирующих агентов, который позволяет быстро и дешево создавать агентов, специализированных под приватные кодобазы. Используя только контролируемое дообучение (SFT), SERA достигает наилучших результатов среди полностью открытых моделей (открытые данные, метод, код), соответствуя производительности передовых моделей с открытыми весами, таких как Devstral-Small-2. Создание моделей SERA в 26 раз дешевле, чем обучение с подкреплением, и в 57 раз дешевле, чем предыдущие методы с синтетическими данными, для достижения эквивалентной производительности. Наш метод, Soft Verified Generation (SVG), генерирует тысячи траекторий из одного репозитория кода. В сочетании с экономической эффективностью это позволяет специализироваться на приватных кодобазах. Помимо специализации на репозиториях, мы применяем SVG к более крупному корпусу кодобаз, генерируя более 200 000 синтетических траекторий. Мы используем этот набор данных для детального анализа законов масштабирования, проведения абляционных исследований и анализа смешивающих факторов при обучении программирующих агентов. В целом, мы считаем, что наша работа значительно ускорит исследования в области открытых программирующих агентов и продемонстрирует преимущество моделей с открытым исходным кодом, которые могут адаптироваться под приватные кодобазы. Мы выпускаем SERA как первую модель в серии Open Coding Agents от Ai2, вместе со всем нашим кодом, данными и интеграцией с Claude Code для поддержки научного сообщества.

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.