연구진은 코드 에이전트의 외부 도구 활용 능력을 향상시키기 위해 함수 인식 Fill-in-the-Middle (FIM) 방식의 중간 학습법을 제안했어요.
이 방식은 프로그램 의존성 그래프 분석과 복잡도-추론 가능성 기준을 활용해 함수를 마스크하고, Qwen2.5-Coder-Instruct 및 Qwen3 모델을 중간 학습했어요.
중간 학습은 SWE-Bench-Verified에서 최대 5.4% 성능 향상을 가져왔고, LiveCodeBench와 같은 비에이전트 코딩 벤치마크의 성능 저하를 완화했어요.
이 연구는 코드 에이전트의 함수 호출 능력에 대한 중요한 통찰력을 제공하며, 다양한 모델과 학습 파이프라인에서 효과적인 것으로 나타났어요.