Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Tool-integrated Reinforcement Learning for Repo Deep Search

Created by
  • Haebom

저자

Zexiong Ma, Chao Peng, Qunhong Zeng, Pengfei Gao, Yanzhen Zou, Bing Xie

개요

본 논문은 소프트웨어 이슈 지역화(issue localization), 즉 소프트웨어 문제 해결을 위해 수정이 필요한 코드 위치를 식별하는 과정을 다룹니다. 자연어로 된 이슈 설명과 결함이 있는 코드 간의 의미 차이로 인해 코드 의존성을 통한 복잡한 다단계 추론이 필요합니다. 기존의 LLM 기반 에이전트는 저장소 검색 도구를 통합하여 이 문제를 해결하려고 시도하지만, 이는 LLM이 다단계 추론 및 탐색 과정에서 다양한 저장소 검색 도구를 효과적으로 활용해야 하는 'Repo Deep Search'라는 어려운 작업으로 변환됩니다. 이러한 문제를 해결하기 위해 본 논문은 거부 샘플링(rejection-sampled) 감독 미세 조정과 도구 통합 강화 학습을 결합한 2단계 도구 통합 훈련 프레임워크인 ToolTrain을 제시합니다. 실험 결과, ToolTrain으로 훈련된 모델은 최첨단 성능을 달성하며, 32B 모델은 함수 수준 지역화에서 Claude-3.7을 능가합니다. 또한 지역화 성능 향상은 종단 간 이슈 해결 성능 향상으로 이어짐을 보여주며, 이슈 지역화를 위한 훈련이 자동화된 소프트웨어 개발을 개선하는 실행 가능하고 효과적인 전략임을 보여줍니다.

시사점, 한계점

•
시사점:
◦
ToolTrain 프레임워크를 통해 LLM의 저장소 검색 도구 활용 능력을 향상시켜 소프트웨어 이슈 지역화 성능을 크게 개선할 수 있음을 보여줌.
◦
32B 모델이 Claude-3.7을 능가하는 성능을 달성하여 LLM 기반 이슈 지역화의 가능성을 제시함.
◦
향상된 지역화 성능이 종단 간 이슈 해결 성능 향상으로 이어짐을 확인하여 이슈 지역화 훈련의 효과성을 입증함.
◦
자동화된 소프트웨어 개발 개선을 위한 새로운 전략 제시.
•
한계점:
◦
ToolTrain 프레임워크의 일반화 성능 및 다양한 소프트웨어 프로젝트에 대한 적용 가능성에 대한 추가 연구 필요.
◦
특정 크기의 LLM(32B)에 대한 결과 위주로, 다른 크기의 LLM에 대한 성능 평가 부족.
◦
실험 데이터셋의 특성에 따른 성능 편향 가능성 존재.
◦
복잡한 코드베이스나 다양한 프로그래밍 언어에 대한 로버스트니스(robustness)에 대한 추가적인 평가 필요.
👍
Made with Slashpage