EN한
← wiki

$ cat wiki/papers/2026/2611.21152-repofactory.md

RepoFactory

paper갱신 2026-11-19생성 2026-11-19

TL;DR

RepoFactory는 저장소를 검증 가능한 환경으로 바꾸며, 코딩 에이전트는 이 환경에서 자연어 명세에 따라 완전한 프로젝트를 만든다. Environment Evolution Loop는 대리 지표 피드백을 사용해 학습 환경을 최적화한다. (source)

저자와 소속

Yang Tian, Tianyu Zheng, Xiyuan Yang, Yaxin Du, Chengran Yang, Bo Zhao, Jian Yang 및 Bryan Dai. 검토한 초록 기록에서는 소속을 확인하지 못했다. (source)

방법

진화 목적 함수는 유효성, 구조적 결합도와 구현 범위를 곱한다. 대리 신호로 환경을 개선하므로 전체 학습·평가 주기가 끝날 때까지 기다리지 않아도 된다. 파이프라인은 17개 소프트웨어 영역에 걸쳐 10,159개 환경을 만들며, 이 환경에서 Qwen3.5-35B-A3B를 학습해 RepoHorizen-35B-A3B를 얻는다. (source)

결과

저자들은 NL2Repo-Bench에서 22.6 퍼센트포인트, 장시간 코딩과 에이전트 작업을 다루는 5개 벤치마크에서 평균 8.5점의 향상을 보고한다. 환경 진화 없이 얻은 향상은 각각 17.5와 6.4점이다. 이는 최종 절대 점수가 아니라 보고된 개선 폭이며, 초록만으로는 비교 절차 전체를 확인할 수 없다. (source)

의의

Agentic Reinforcement Learning에 대한 기여는 학습 환경 구성을 최적화 문제로 다룬다는 점이다. Agents (LLM Agents) 관점에서는 개별 코드 패치보다 프로젝트 완성을 학습 목표로 삼아 범위를 넓힌다. (source)

열린 질문

이번 검토는 초록과 메타데이터를 다루며, 논문 전체나 코드를 평가한 것이 아니다. 대리 지표의 허점 이용, 오염 통제, 환경 구축 비용 및 보고된 벤치마크 밖으로의 일반화는 여기서 평가하지 않았다. (source)

인용

  • arXiv:2611.21152v2, 2026-11-16 최초 제출, 2026-11-17 수정, 2026-11-19 수집. 큐레이션 날짜는 최초 제출일이 아니라 수정일을 반영한다. (source)

Referenced by

Sources