Hugging Face 논문AI · 머신러닝

리포지토리를 훈련 환경으로: RepoFactory의 자동 최적화 파이프라인

원제 From Repositories to Training Environments: Scaling Long-Horizon Coding Agents with Environment Evolution Loop

추천 14댓글 2Yang Tian, Tianyu Zheng, Xiyuan Yang 외
Key Point

코딩 에이전트의 장시간 작업 성능을 대폭 개선하는 자동화된 환경 생성 방식이 등장했으며, 실제 프로젝트 기반 훈련으로 현실적인 프로덕션 환경에 대응하는 모델을 만들 수 있음을 보여준다.

핵심 요약

  • 장시간 코딩 작업을 하는 AI 에이전트 훈련에는 검증 가능한 피드백이 있는 환경이 필요한데, 기존 방식은 선형적으로 검증만 하고 훈련 개선 방법을 제시하지 못했다.
  • RepoFactory는 실제 리포지토리를 자동으로 변환하여 에이전트가 언어 명세만으로 완전한 프로젝트를 처음부터 구축하는 검증 가능한 환경으로 만든다.
  • Environment Evolution Loop는 타당성·구조적 결합·구현 범위를 결합한 목표를 프록시 피드백으로 최적화하여 환경의 훈련 가치를 높인다.
  • RepoFactory는 17개 소프트웨어 분야에서 10,159개 환경을 생성했다.
  • Qwen3.5-35B-A3B 모델을 RepoFactory 환경에서 훈련한 RepoHorizen-35B-A3B는 NL2Repo-Bench에서 22.6포인트, 5개 벤치마크 평균에서 8.5포인트 향상을 달성했다.
  • 환경 진화 루프 없는 경우는 각각 17.5포인트와 6.4포인트 향상으로, Environment Evolution Loop의 추가 이득을 보여준다.
  • 이는 RepoFactory 환경의 훈련 가치와 자동화된 환경 최적화의 효과를 입증한다.
AI 요약 안내

AI가 한국어로 정리한 내용입니다. 정확한 정보는 원문을 확인해 주세요.

요약 원칙 ↗