본 논문은 소프트웨어 이슈의 위치를 식별하는 이슈 지역화 문제에 대해 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 사용해야 하는 Repo Deep Search라는 어려운 작업으로 변환됩니다. 이러한 문제를 해결하기 위해, 본 논문에서는 거절 샘플링을 사용한 지도 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 향상이 최종 이슈 해결 성능 향상으로 이어짐을 보여주어 자동화된 소프트웨어 개발을 개선하기 위한 이슈 지역화 훈련의 타당성과 효과를 입증합니다.
