美国艾伦AI研究院AI2发布开源编程代理（Open Coding Agents）计划，首波推出SERA开源编程代理模型，并公开训练数据与可复现的后训练流程。AI2的目标是让开发团队能够快速将模型适配到特定代码库，包括企业内部或个人私有仓库，同时将模型与集成工具发布到公开平台，供外部使用。

AI2指出，封闭式模型通常未接触过组织内部的代码与规范，因此在数据管道、内部API或代码风格等场景中容易出现理解偏差。AI2提出一种以合成数据驱动的后训练方法，旨在降低私有代码库适配的门槛。官方估算，复现此前最佳开源成果约需400美元的计算资源；若要将性能提升至同尺寸业界顶尖模型水平，最高成本约1.2万美元，使实验室和小型团队也能负担完整的训练方案。

在基准测试中，AI2表示SERA-32B在SWE-Bench Verified上的解题率可达54.2%，并称仅需约40个GPU日或更少即可完成训练，部署时可直接兼容Claude Code。AI2还与NVIDIA合作，进行推理优化，提升在H100与B200等平台上的吞吐量。

AI2将SERA定位为高效率的验证型仓库代理，其做法是先生成包含补丁的合成开发轨迹数据。这些补丁无需完全正确或通过完整测试验证，即可用于训练，从而降低对测试环境与测试基础设施的依赖，同时压缩合成数据生成成本。AI2还引用了现有分析整理的51种常见代码缺陷类型，扩充数据多样性，使同一段函数代码能衍生出多种任务场景，提升训练数据的覆盖范围。

在针对特定仓库进行适配后的表现上，AI2使用Django、SymPy与Sphinx等SWE-Bench大型仓库进行项目化训练，称每个仓库仅用8,000条合成开发过程数据进行监督式微调，即可在部分设置下达到或超越教师模型GLM-4.5-Air，并公布在32K上下文条件下，Django与SymPy的得分分别为52.23%与51.11%。

AI2还发布了SERA CLI与Claude Code兼容层，并在PyPI提供ai2-sera-cli包，说明其用途是让Claude Code CLI能够对接SWE-agent格式模型。官方表示，本次发布内容涵盖模型、集成工具与训练流程，使研究者能够查看数据与方法，并在自身环境中复现与拓展应用。