[論文レビュー] SWE-World: Building Software Engineering Agents in Docker-Free Environments

Shuang Sun, Huatong Song+12 more|arXiv (Cornell University)|Feb 3, 2026

Software Engineering Research被引用数 0

ひとこと要約

SWE-World は、コンテナ化実行を学習済みのLLMベースのモデルに置換することで、ソフトウェア工学エージェントのトレーニングと評価を Docker なしで実現する surrogate環境を導入し、スケーラブルな SFT、RL、テスト時のスケーリングを可能にする。

ABSTRACT

Recent advances in large language models (LLMs) have enabled software engineering agents to tackle complex code modification tasks. Most existing approaches rely on execution feedback from containerized environments, which require dependency-complete setup and physical execution of programs and tests. While effective, this paradigm is resource-intensive and difficult to maintain, substantially complicating agent training and limiting scalability. We propose SWE-World, a Docker-free framework that replaces physical execution environments with a learned surrogate for training and evaluating software engineering agents. SWE-World leverages LLM-based models trained on real agent-environment interaction data to predict intermediate execution outcomes and final test feedback, enabling agents to learn without interacting with physical containerized environments. This design preserves the standard agent-environment interaction loop while eliminating the need for costly environment construction and maintenance during agent optimization and evaluation. Furthermore, because SWE-World can simulate the final evaluation outcomes of candidate trajectories without real submission, it enables selecting the best solution among multiple test-time attempts, thereby facilitating effective test-time scaling (TTS) in software engineering tasks. Experiments on SWE-bench Verified demonstrate that SWE-World raises Qwen2.5-Coder-32B from 6.2\% to 52.0\% via Docker-free SFT, 55.0\% with Docker-free RL, and 68.2\% with further TTS. The code is available at https://github.com/RUCAIBox/SWE-World

研究の動機と目的

• Resource-intensive な Docker ベース環境への依存を削減する動機付け。
• 実行フィードバックとテスト結果を予測する Docker なし surrogate 環境を提案。
• 物理的なコンテナなしで、スケーラブルなトレーニング（SFT および RL）とテスト時スケーリングを実現。
• 実世界の SWE データを活用してエージェント学習効率を向上させる。

提案手法

• エージェントの行動を、決定論的サンドボックスで扱われる軽量なナビゲーション/編集と、SWT によって扱われるコード実行アクションに分割。
• SWT を訓練して、リポジトリレベルのアクションからのステップレベル実行フィードバックを、インスタンスのメタデータ、エージェントのパッチ、実行内容を含む文脈を用いて予測。
• SWR を訓練して最終的なテスト評価をシミュレートし、構造化されたテストフィードバックと二項報酬を生成する。評価コンテキストにはユニットテストが含まれる。
• Qwen 系バックボーンを用いた supervison のもと、SWT および SWR を SFT で実現するために実 Docker ロールアウトからトレーニングデータを収集。
• リバース推論蒸留を用いて SWT および SWR の CoT 強化学習データを生成し、リポジトリ挙動の推論を改善。
• GRPO を用いた Docker なし RL を実施、SWT が遷移フィードバックを、SWR が終端報酬を提供。
• 複数の候補軌道を SWR による検証で評価し、最良の軌道を選択してテスト時のスケーリングを実現。

実験結果

リサーチクエスチョン

• RQ1 Docker ベースの実行フィードバックを学習した surrogate 環境が SWE エージェントのトレーニングに十分近似できるか？
• RQ2 Docker なしのフィードバックだけを用いて SFT および RL は SWE タスクに対してどれくらい効果的に機能するか？
• RQ3 Docker なしのトレーニングと TTS は、実世界の SWE ベンチマークで Docker ベースのベースラインと同等以上か？
• RQ4 コンテナなしで競争力のある SWE 性能を達成するために、どのようなデータとモデル規模が必要か？

主な発見

Model	Scaffold	Training	Environment	Resolve Rate (%)
Qwen2.5-Coder-32B	OpenHands	-	Docker	6.2
Qwen3-32B	OpenHands	-	Docker	23.2
Qwen3-Coder-30B-A3B	OpenHands	-	Docker	51.6
SWE-Gym-32B	OpenHands	SFT	Docker	20.6
R2E-Gym-32B	R2E-Gym	SFT	Docker	34.4
+ TTS@16	R2E-Gym	SFT	Docker	49.4
Skywork-SWE-32B	OpenHands	SFT	Docker	38.0
+ TTS@8	OpenHands	SFT	Docker	47.0
SWE-agent-LM-32B	SWE-agent	SFT	Docker	40.2
SWE-Fixer-72B	Agentless	SFT	-	32.8
SA-SWE-32B	OpenHands	RL	Docker	39.4
Llama3-SWE-RL-70B	Agentless	SFT+RL	-	41.0
Lingma-SWE-GPT-72B	Agentless	SFT	-	30.2
DeepSWE-32B-Preview	OpenHands	RL	Docker	42.2
+ TTS@16	OpenHands	RL	Docker	59.0
Kimi-Dev-72B	SWE-Agent	SFT+RL	-	48.6
+ TTS@40	Agentless	SFT+RL	-	60.4
SWE-Mirror-LM-32B	MOpenHands	SFT	Docker	52.2
FrogBoss-32B	SWE-Agent	SFT+RL	Docker	54.6
SWE-Lego-Qwen3-32B	OpenHands	SFT	Docker	52.6
+ TTS@16	OpenHands	SFT	Docker	58.8
SWE-World-4B-SFT	R2E-Gym	SFT	Sandbox + LLMs	25.6
SWE-World-4B-RL	R2E-Gym	SFT+RL	-	30.0
SWE-World-32B-SFT	R2E-Gym	SFT	52.0
SWE-World-32B-RL	R2E-Gym	SFT+RL	-	55.0
+ TTS@8	R2E-Gym	SFT+RL	-	68.2

• Docker なしのトレーニングと SWE-World は SWE-bench Verified でエージェント性能を大幅に改善。例：Qwen2.5-Coder-32B の 6.2% から 52.0%（SFT）、55.0%（RL）。
• TTS を備えた SWE-World は 68.2% の解決率に到達し、いくつかの設定で従来の Docker ベースの結果を上回る。
• 遷移モデルである SWT と報酬モデルである SWR は、競争力があり解釈可能な surrogate フィードバックおよび評価信号を提供し、SWR はベースラインより高い精度と適合度を達成。
• 広範な SWE-World データセット（16.6K のタスク、3,763 リポジトリ）は、実世界データを活用して Docker なしのトレーニングを可能にする。
• Docker なしの RL はトレーニング中のコンテナ ロールアウトを排除してインフラストラクチャを削減しつつ、従来の Docker パイプラインと競合する性能を維持する。