SWE-Future: 미래 지향적 소프트웨어 엔지니어링 에이전트를 위한 예측 조건부 데이터 합성

현실적인 코딩 에이전트 (coding-agent) 벤치마크는 종종 공개된 GitHub 이슈와 풀 리퀘스트 (pull requests)를 재현하며, 이로 인해 모델의 사전 학습 (pretraining), 미세 조정 (fine-tuning), 합성 데이터 생성 (synthetic-data generation) 또는 벤치마크 기반 모델 선택과 중복될 위험이 있습니다. 완전히 합성된 태스크는 직접적인 역사적 재현을 피할 수 있지만, 실제 저장소 (repository)의 요구 사항에서 벗어날 수 있습니다. 우리는 미래 지향적인 코딩 태스크를 위한 예측 조건부 데이터 합성 방법인 SWE-Future를 제안합니다. 시간 $T_0$에서의 예측 스냅샷 (forecast snapshot)이 주어지면, 이 방법은 $T_0$ 이전의 저장소 증거만을 사용하여 미래의 기능 구현/강화, 버그 수정 (bugfix), 그리고 리팩터링 (refactor) 태스크 패밀리를 예측합니다. 우리는 먼저 이 예측 단계를 사후적으로 검증합니다. 예측이 고정된 후, 이후의 풀 리퀘스트 (pull requests)는 예측된 태스크 패밀리가 미래의 저장소 작업과 일치하는지 측정하는 용도로만 사용됩니다. 80개의 저장소를 대상으로 한 연구에서, 예측기는 주요 의미론적 매칭 (semantic matching) 지표 하에 58.1%의 미래 작업 관련성 (future-work relevance)을 달성했습니다. 그런 다음 검증된 예측 패밀리를 조건부 신호 (conditioning signals)로 사용하여, 검증에 사용된 이후의 풀 리퀘스트 (pull requests)를 재현하는 대신 태스크 생성 스냅샷 (task-generation snapshot)으로부터 61개 저장소에 걸친 200개 태스크 규모의 코딩 에이전트 데이터셋을 합성합니다. SWE-Future는 저장소 진화 (repository-evolution) 예측이 역사적 풀 리퀘스트 (pull-request) 재현에 대한 직접적인 의존도를 줄이면서도, 현실적이고 미래 지향적인 코딩 태스크 합성을 안내할 수 있음을 보여줍니다.