Alexander Kovrigin Aleksandra Eliseeva Konstantin Grotov Egor Bogomolov Yaroslav Zharov

摘要

环境配置——即为特定软件项目设置系统运行环境的过程——一直是软件工程（Software Engineering, SE）领域长期存在的挑战。自动化环境配置方法可通过无需人工干预的方式，为任意代码仓库提供完整配置的开发环境，从而帮助开发者提升效率。同时，这类方法也有助于软件工程研究人员扩展基于执行的基准测试规模。然而，近期研究表明，即使是最先进的大语言模型（Large Language Models, LLMs）在自动化该任务方面也仅取得有限成效。为克服这一局限，我们针对环境配置任务训练了一个专用模型。该方法结合了监督微调（supervised fine-tuning），以生成正确的 Bash 脚本，以及基于可验证奖励的强化学习（Reinforcement Learning with Verifiable Rewards, RLVR），以提升模型在环境配置任务上的适应能力。在 EnvBench-Python 基准测试中，我们的方法使 Qwen3-8B（一种可在消费级硬件上运行的模型）的表现达到与更大规模模型 Qwen3-32B 和 GPT-4o 相当的水平。训练代码与模型检查点已公开：https://github.com/JetBrains-Research/PIPer。