[논문리뷰] SWE-World: Building Software Engineering Agents in Docker-Free Environments

링크: 논문 PDF로 바로 열기

저자: Shuang Sun, Huatong Song, Lisheng Huang, Jinhao Jiang, Ran Le, Zhihao Lv, Zongchao Chen, Yiwen Hu, Wenyang Luo, Wayne Xin Zhao, Yang Song, Hongteng Xu, Tao Zhang, Ji-Rong Wen

핵심 연구 목표

소프트웨어 엔지니어링(SWE) 에이전트의 훈련 및 평가가 의존하는 Docker 기반 물리적 실행 환경 의 높은 자원 소모와 확장성 한계를 해결하는 것이 목표입니다. 물리적 실행 환경을 학습된 대규모 언어 모델(LLM) 기반의 서포게이트 환경 으로 대체하여, Docker 없이도 SWE 에이전트를 효율적으로 훈련하고 확장 가능한 평가를 가능하게 하는 프레임워크인 SWE-World 를 제안합니다.

핵심 방법론

SWE-World 는 에이전트의 작업을 파일 시스템 작업(가벼운 Sandbox 에서 처리)과 코드 실행 작업으로 나눕니다. 코드 실행은 LLM 기반 SWE-World Transition Model (SWT) 이 실제 실행 피드백을 예측하여 시뮬레이션하고, 최종 패치 평가는 LLM 기반 SWE-World Reward Model (SWR) 이 가상 테스트 러너 역할을 하여 테스트 보고서와 이진 보상을 생성합니다. SWT와 SWR은 실제 에이전트-환경 상호작용 데이터로 SFT 훈련되었으며, Chain-of-Thought (CoT) 증류 를 통해 추론 능력을 강화했습니다.

주요 결과

SWE-bench Verified 벤치마크에서 Qwen2.5-Coder-32B 모델은 Docker-free SFT를 통해 기본 6.2% 에서 52.0% 의 해결률로 크게 향상되었습니다. 추가적인 Docker-free RL 최적화를 통해 55.0% 에 도달했으며, SWR 기반 Test-Time Scaling (TTS@8) 을 적용하여 해결률이 68.2% 까지 상승하여 기존 최고 성능을 뛰어넘었습니다. 특히, SWR은 Docker 결과 대비 0.770 의 정확도를 보이며 강력한 보상 시뮬레이션 능력을 입증했습니다.

AI 실무자를 위한 시사점

SWE-World 는 소프트웨어 개발에서 에이전트의 학습 및 배포 과정에서 물리적 인프라 의존성 을 제거할 수 있는 실용적인 방안을 제시합니다. LLM 기반 시뮬레이션 환경 은 에이전트 훈련의 확장성과 비용 효율성 을 극대화하여, 복잡한 실세계 SWE 태스크에 대한 AI 적용 가능성을 넓힙니다. 또한, CoT와 Test-Time Scaling 같은 기법은 시뮬레이션 환경의 신뢰성과 에이전트 성능을 더욱 높이는 데 중요한 역할을 하여, 미래 AI 기반 개발 도구의 발전에 기여할 수 있습니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.