做 Coding Agent 训练和研发的团队，大概都绕不开一个又脏又累的环节：搭环境。
不管是给 SFT 筛选高质量轨迹，还是给 RL 提供奖励信号，都需要一个 verifier（验证器）来判断 Agent 生成的 patch 是否真正解决了 issue。
现阶段，最可靠的验证方式仍然是跑测试。为每个仓库构建专属 Docker 镜像、安装依赖，定位相关测试，编写测试流程和结果解析逻辑，最后在隔离环境中运行单元测试。测试通过，便判断这个 patch 有效。
这套流程准是准，但它有一个问题就是贵。每个仓库都要单独搭建环境，即使接入自动化流水线，这个过程也很难保证成功率。不仅如此，很多实际生产中的代码库——私有仓库、企业遗留系统——根本没有可复现的环境，甚至连完整测试套件都没有。对于这些仓库，上面这套基于执行的验证方式不只有成本问题，更重要的是缺少实现条件。
今天这篇来自上海交通大学和抖音团队的论文「Dockerless: Environment-Free Program Verifier for Coding Agents」提供了一个可行方案，即 verifier 不执行代码，也可以判断修复对不对——只要让它像人类 reviewer 一样，自己去仓库里翻代码找证据。
论文开头先分析了现有 verifier 的两类主流方案。
第一种是基于 Docker 的测试执行。这种方式的优点是准确性较高，缺点是要为每个仓库搭建独立环境，成本高，也难以大规模扩展。
第二种是 LLM scorer。它的优点是会直接让模型根据 issue、reference patch 和 candidate patch 进行判断，不用搭建运行环境，因此扩展成本更低。但它的缺点也很明显，一般模型只能看到输入文本和 patch diff，缺少对真实代码库上下文的理解。
比如，要判断两个 patch 是否等价，系统得知道问题路径是否真的会调用被修改的函数；不同实现方式的 patch 是否都能和周围模块正确协作。这些信息，仅依靠 diff 文本很难准确判断。
图 1：三类 verifier 的对比
正如上图所示，基于 Docker 的测试执行准确但依赖昂贵的仓库级环境；LLM scorer 不依赖环境，但缺少代码库上下文；Dockerless 通过主动探索代码库，在无需环境的同时，让验证过程建立在真实代码库证据之上。
Dockerless 的输入包括三部分：issue 描述、reference patch（已知正确的修复版本）以及 candidate patch（Agent 生成的待验证 patch）。整个验证过程分为两个阶段。
图 2：Dockerless 的整体架构
第一阶段：生成验证问题与并行探索。verifier 会先根据 issue 和 reference patch 生成 2～4 个验证问题。这些问题主要覆盖四类信息：修复应该位于仓库中的哪个位置（Location）、修改后代码应该表现出什么行为（Behavior）、哪些测试或断言可以验证修复正确性（Test Evidence），以及这个改动可能影响哪些边缘场景（Edge Cases）。
接着，分配一个独立的子 Agent 给每个验证问题，并由子 Agent 并行探索代码库。子 Agent 只拥有只读 shell 工具，例如 find、grep、rg 等，会按照 ReAct 流程反复执行命令、查看输出、继续搜索，最终返回一份简短的探索结果，并标注找到的关键证据，包括对应的文件路径和代码行号。
第二阶段：汇总裁决。judge 模型接收 issue、两个 patch，以及所有子 Agent 收集到的证据，输出一个二值裁决 token：0 表示 patch 未解决问题，1 表示 patch 已解决问题。
在计算评分时，Dockerless 并不直接使用这个二值结果，而是提取两个 token 对应的 logits，再通过 softmax 转换成 0～1 之间的连续分数。这样，这个分数既可以用作 SFT 阶段的筛选和排序训练轨迹，也能作为 RL 阶段的稠密奖励信号。
Dockerless verifier 本身是基于 Qwen3.5-9B，通过 rejection sampling 方法训练得到的。
图 3：Dockerless 的训练流水线
具体的训练过程是，从 SWE-Gym 和 Multi-SWE-RL 中选取 3.7K 个带执行标签的 issue。这样就保证了每个 candidate patch 都是经过真实测试验证，并拥有对应的真实结果。接着，用更强的教师模型（Teacher Model）GLM-5，按照 Dockerless 的完整验证流程生成训练轨迹：先生成验证问题，再由探索 Agent 收集代码库证据，最后进行裁决，形成 question-answer-judge 三部分轨迹。
当中的筛选规则是，只有教师模型的最终裁决与真实测试结果一致时，这条轨迹才会被保留下来用于训练；如果结果不一致，该条轨迹会被直接丢弃。通过这种方式，模型不只学习到了 patch 文本之间的表面关联，还学习到一套基于代码库证据进行分析和判断的验证过程。同时，为缓解数据类别不平衡的问题，论文将负样本与正样本的比例控制在了 4:1 以内。
在训练阶段，问题生成、子 Agent 探索和最终裁决三个环节会共享同一个 backbone，并使用标准的 next-token cross-entropy 目标进行联合训练。
先看 Dockerless 作为独立 verifier 的验证能力。论文构建了一个平衡的 verifier 评测基准，共包含 776 个样本，其中正负样本各占一半，并使用 AUC 作为评价指标。
对比对象有两类：一类是直接进行 zero-shot 判断的前沿模型，包括 DeepSeek-V3.2、Kimi-K2.5、GLM-5 和 GPT-5.4；另一类是经过训练的开源 verifier，包括 SWE-Gym Verifier、R2E-Gym Verifier、OpenHands Critic 和 DeepSWE Verifier。
图 4：各 verifier 在 trajectory-level 评测基准上的 AUC
实验结果显示，Dockerless 在 SWE-bench Verified 分组取得 81.0 AUC，在 Multi-SWE-bench Flash 分组取得 72.1 AUC，两个分组均排名第一。相比表现最好的开源训练 verifier（66.7 和 62.9），分别提升 14.3 和 9.2 个百分点；相比表现最好的前沿模型裁判 GPT-5.4（75.9 AUC），也提升了 5.1 个百分点。
这说明在 patch 验证任务中，模型能否获取并利用真实代码库上下文，可能比单纯依赖模型规模带来更大的收益。
verifier 只是整个方案中的一环，论文真正想解决的是后训练流程的扩展性问题。有了 Dockerless，SFT 和 RL 两个阶段都可以摆脱针对每个仓库单独构建环境的依赖。
图 5：无需环境的后训练流水线
SFT 阶段（env-free RFT）： Agent 的 rollout 在一个最小化 Ubuntu 镜像中完成，环境准备阶段只需要 checkout 仓库代码，不安装项目依赖，也不配置测试环境。通过这种方式，论文以低成本收集了 16K 条轨迹，再用 Dockerless 对这些轨迹最终生成的 patch 进行评分，并按照分数排序后选取 top 4K 轨迹用于 SFT。
RL 阶段： rollout 仍然在同一个最小化环境中进行，Dockerless 输出的连续分数直接作为 reward，并用于 GRPO 算法的组内归一化优化。为了提高 reward 稳定性，每个 patch 会独立评估两次并取平均值。
整个流程中，我们不用再为每个仓库单独构建 Docker 环境了。
Dockerless-RL-9B 在 env-based 标准评测中的表现为：SWE-bench Verified 62.0%、Multilingual 50.0%、Pro 35.2%。相比 Qwen3.5-9B 基线，三个 benchmark 分别提升 2.4、8.7 和 2.9 个百分点，同时也超过了多个同规模的开源 SWE 专用模型。
图 6：SWE-bench Verified、Multilingual 和 Pro 上的 resolve rate 主结果。加粗行为本文主模型，灰色行为用于隔离 SFT 数据来源和 RL reward 来源影响的控制实验。
不过，更能说明 Dockerless 价值的是论文设计的两组控制实验。
图 7：不同 SFT 数据过滤方式对下游 resolve rate 的影响。模型骨干和训练流程保持一致，仅调整训练数据的筛选方式。
第一组实验只调整 SFT 阶段的数据来源。论文比较了两种训练方式：一种是使用 Docker 环境收集并筛选轨迹得到的 Env-SFT-9B；另一种是使用 env-free 轨迹，再通过 Dockerless 进行过滤得到的 Dockerless-SFT-9B。两者在 SWE-bench Verified、Multilingual 和 Pro 上的结果分别为 60.6 vs 60.0、47.7 vs 48.3、35.3 vs 33.9，整体表现基本接近，并没有出现明显差距。
第二组实验只调整 RL 阶段的 reward 来源（数据参考图 6）。使用真实测试执行结果作为 reward 的版本（oracle test-execution 信号）取得 62.4 / 51.3 / 35.7；使用 Dockerless reward 的版本取得 62.0 / 50.0 / 35.2，两者差距控制在 1.3 个百分点以内。而使用另一个不探索代码库的训练 verifier（DeepSWE Verifier）作为 reward 时，性能进一步下降 1.1～2.7 个百分点。
此外，论文还给出了一个反向实验：如果不经过任何过滤，直接使用全部 16K 条 env-free 轨迹进行 SFT，最终成绩只有 58.8 / 41.3 / 31.9，甚至低于基线。这个结果说明，env-free rollout 本身并不是主要问题，关键在于是否有可靠的 verifier 对生成轨迹进行筛选。Dockerless 证明了一个基于代码库证据的 verifier，可以成为支撑 env-free 后训练流程的重要组成部分。
当验证问题数量 K 从 0 增加到 4 时，verifier 的 AUC 从 78.3 提升到 81.0。但后面增加到 6 个和 8 个问题后，AUC 反而下降到 79.6 和 80.3。论文认为，过多的问题会带来重复探索和噪声证据。因此，推理阶段默认生成 2～4 个验证问题，在验证效果和探索成本之间取得平衡。
图 8：验证问题数量 K 与 verifier AUC 的关系
Dockerless 每次评分都需要执行多轮代码库探索，看起来可能会引入较高延迟。但论文对 RL 训练中的 rollout 时间进行了拆解：Agent 本身完成一次 rollout 平均需要 2,308 秒，而 Dockerless reward 评估额外增加约 180 秒，占整体时间的 7.2%。因此，训练过程中的主要耗时仍然来自 Agent 自身的任务执行，而不是 verifier。
图 9：RL 训练中单次 rollout 的耗时拆解
论文展示了一个 matplotlib 的 offsetText 颜色修复案例。candidate patch 实际能够通过测试，但它与 reference patch 的实现方式存在明显差异：一种方案使用内联条件表达式，另一种方案则提取了辅助变量。由于表面文本差异较大，两者的文本相似度只有 0.468，DeepSWE Verifier 也只给出了 0.035 的分数。
Dockerless 则通过子 Agent 探索代码库，确认该修改同时覆盖了 XAxis 和 YAxis 的初始化路径，并保持了 inherit 语义的一致性，最终给出 0.996 的评分，与真实测试结果一致。这个案例说明，仅比较 patch 表面形式并不足以判断修复质量，不同实现方式同样可能达到正确结果。
图 10：matplotlib offsetText 案例
Dockerless 也有自己的适用范围。首先，它依赖 reference patch 作为验证依据，因此更适合用于训练阶段的数据筛选和批量评估，而不是没有标准答案的线上代码审查场景。
其次，env-free 路线在部分编译型语言上仍存在差距。由于缺少真实编译环境提供的类型检查、链接错误等反馈，Rust、C 等语言上的效果仍弱于基于环境执行的方案。如何在不搭建完整环境的情况下引入类似编译器反馈，是后续需要解决的问题。
不过，论文也验证了 Agent rollout 本身对环境依赖并不强：去掉执行环境后，多个前沿模型的任务完成率下降有限。因此，Dockerless 认为当前 env-free 路线的主要挑战并不在任务执行，而在于如何提供可靠的验证信号
这篇论文可以用一句话概括：把 verifier 从“打分函数”升级成“会查证的 Agent”，就能把 Coding Agent 的整条后训练流水线从 Docker 环境里解放出来。
它的核心设计其实很朴素——提问、分头找证据、基于证据裁决，跟一个负责任的人类 reviewer 审 PR 的流程差不多。工程上的启发有两点：一是对需要深上下文的判断任务，让模型主动探索比塞更多静态上下文更有效；二是 env-free 路线的瓶颈从来不在 rollout 采集，而在正确性信号，verifier 做好了，那些搭不起环境、没有测试的长尾仓库就都能进训练池了。
对于在做 Coding Agent 训练、又被环境搭建成本卡住的团队来说，这是一个值得认真参考的方案。
论文文献
Dockerless: Environment-Free Program Verifier for Coding Agents arxiv.org/pdf/2606.28436
Agent 小知识｜上下文预算：让 Agent 知道该看什么
从 Fable 案例看 Coding Agent 的未知项管理
从一次修复到长期记忆：Agent 工作流里的知识沉淀
