소프트웨어 엔지니어링 에이전트는 빠르게 발전했지만, 그들의 학습 규모를 키우는 것은 고품질의 실행 가능한 작업(executable tasks)에 대한 제한된 가용성에 의해 여전히 제약을 받고 있습니다. 개발 이력은 이러한 작업을 구성하는 데 귀중한 신호를 담고 있지만, 불완전한 환경, 누락된 테스트, 일관성 없는 아티팩트 때문에 종종 상당한 재구성을 필요로 합니다. 우리는 점진적 구성(progressive construction)과 탄성 스트리밍 실행(elastic streaming execution)을 통해 실행 가능한 SWE 학습 데이터를 확장하는 시스템인 SWE-Stream을 제시합니다. SWE-Stream은 작업 후보들을 점진적으로 검증하고 개선하며, 가능하다면 기존 아티팩트를 재사용하고 필요한 경우에만 표적 완성(targeted completion)을 적용합니다. 탄성 스케줄러는 공유 자원 제약 조건 하에서 구성 단계를 비동기적으로 조정하며, 관찰된 작업 부하 요구 사항에 따라 실행 예산을 조정합니다. 6개 프로그래밍 언어의 10,728개 저장소(repositories) 개발 이력을 사용하여, SWE-Stream은 80,874개의 검증된 작업을 구성하고 118,688개의 성공적인 궤적(trajectories)을 수집합니다. 이러한 궤적을 사용하여 Qwen3-30B-A3B-Thinking-2507 모델을 미세 조정(fine-tuning)한 결과, SWE-bench Verified, Multilingual, Pro에서 각각 69.0%, 49.3%, 45.42%의 해결률(resolve rates)을 달성했습니다. 유사하게 매칭된 학습 예산으로 통제 비교를 진행했을 때, SWE-Stream은 SWE-bench Verified에서 45.6%의 해결률을 달성하여 기존 데이터 소스 세 가지보다 우수한 성능을 보였습니다. 더욱이, 그 스트리밍 구성 전략은 효율성을 개선하여 배치 구성(batch construction) 대비 1.45배의 수락된 작업 처리량(accepted-task throughput)을 제공하며, 고정 제한 스트리밍(fixed-limit streaming)보다 13.2% 더 많은 작업을 수용합니다.