코드 언어 모델(Code language models)은 임포트(imports), API, 그리고 프로젝트 컨벤션(conventions)을 해결하기 위해 저장소 수준의 컨텍스트(repository-level context)가 필요합니다. 기존 방식들은 이러한 지식을 긴 입력값(RAG 또는 의존성 분석을 통해 검색됨)으로 주입하거나, 저장소별 미세 조정(fine-tuning) 및 LoRA를 통해 주입합니다. 이는 저장소 규모에서 비용이 많이 들고, 진화하는 코드베이스(evolving codebases)에 취약하다는 단점이 있습니다. 우리는 추론 시 토큰 오버헤드(inference-time token overhead) 없이 저장소 지식을 효과적으로 주입하는, 저장소별 LoRA 어댑터를 생성하는 하이퍼네트워크(hypernetwork) 프레임워크인 Code2LoRA를 소개합니다. Code2LoRA는 두 가지 사용 시나리오를 지원합니다: Code2LoRA-Static은 단일 저장소 스냅샷을 어댑터로 변환하여 안정적인 코드베이스의 이해에 적합하며, Code2LoRA-Evo는 코드 디프(code diff)마다 업데이트되는 GRU 은닉 상태(hidden state)에 의해 지원되는 어댑터를 유지하여 진화하는 코드베이스의 활발한 개발에 적합합니다. 매개변수 효율적 미세 조정(parameter-efficient fine-tuning) 베이스라인들과 Code2LoRA를 비교 평가하기 위해, 우리는 두 가지 트랙을 가진 604개의 Python 저장소 벤치마크인 RepoPeftBench를 구축했습니다: 40K의 학습 및 12K의 테스트 어설션-완성(assertion-completion) 태스크를 포함하는 정적(static) 트랙과, 215K의 커밋 유래 학습 및 87K의 커밋 유래 테스트 태스크를 포함하는 진화(evolution) 트랙입니다. 정적 트랙에서 Code2LoRA-Static은 63.8%의 교차 저장소(cross-repo) 및 66.2%의 저장소 내(in-repo) 정확히 일치(exact match)를 달성하여, 저장소별 LoRA 상한선(upper bound)과 일치하는 성능을 보였습니다. 진화 트랙에서 Code2LoRA-Evo는 60.3%의 교차 저장소 정확히 일치(exact match)를 달성했습니다(단일 공유 LoRA 대비 +5.2 pp). Code2LoRA의 코드는 https://anonymous.4open.science/r/code2lora-6857 에서 확인할 수 있으며, 모델 체크포인트와 RepoPeftBench 데이터셋은 https://huggingface.co/code2lora 에서 확인할 수 있습니다.