Itinai.com it company office background blured chaos 50 v 32924e8d 918f 458e ae6f 0f5d897c5b7b 1
Itinai.com it company office background blured chaos 50 v 32924e8d 918f 458e ae6f 0f5d897c5b7b 1

Достижение 78.55% успешных тестов с использованием коэволюционного подхода к генерации и исправлению модульных тестов на основе LLM

Легче сразу спросить 💭

AI снижает операционные расходы на 20–40% 📊 за 6 месяцев. А что бы вы сделали с этими деньгами?

Опишите задачу — обсудим, как это можно реализовать у вас.

ИИ автоматизирует 70% рутинных задач 🤖 за 3 месяца. Какие процессы в вашем бизнесе скинуть роботу?
Персонализированные AI-кампании увеличивают клиентскую базу на 30% 📈. Как это работает?
AI-аналитика сокращает ошибки в прогнозах на 50% 📉. Расскажите подробнее!
 TestART: Achieving 78.55% Pass Rate and 90.96% Coverage with a Co-Evolutionary Approach to LLM-Based Unit Test Generation and Repair

«`html

Unit Testing and AI: Practical Solutions and Value

Automated Unit Test Generation

Автоматизированное создание модульных тестов направлено на выявление и устранение ошибок на ранних этапах разработки. Традиционные методы генерации модульных тестов, такие как поисковые, основанные на ограничениях и случайные техники, используются для автоматизации создания модульных тестов с целью максимизации охвата компонентов программного обеспечения и минимизации вероятности обнаружения недетектированных ошибок.

Challenges in Automated Unit Test Generation

Основной вызов в автоматизированной генерации модульных тестов заключается в ограничениях существующих методов. Большие языковые модели (LLM), такие как ChatGPT, показали значительный потенциал в генерации модульных тестов, однако часто сталкиваются с проблемами в создании действительных тестовых случаев. Существующие методы, включая инструменты на основе поискового тестирования программного обеспечения (SBST) и LLM, предлагают различные подходы к решению этих проблем.

TestART: Co-Evolutionary Approach to LLM-Based Unit Test Generation and Repair

Исследователи из Нанкинского университета и Huawei Cloud Computing Technologies Co., Ltd. представили новый подход под названием TestART. Этот метод улучшает генерацию модульных тестов на основе LLM через коэволюционный процесс, интегрирующий автоматизированную генерацию с итеративным исправлением. TestART разработан для преодоления ограничений LLM путем включения техник исправления на основе шаблонов и механизмов внедрения подсказок.

Effectiveness of TestART

Эффективность TestART продемонстрирована через эксперименты на широко используемом бенчмарке Defects4J. Результаты показывают, что TestART значительно превосходит существующие методы, достигая показателей прохождения тестов в 78.55% и покрытия кода в 90.96%. Эти результаты подчеркивают превосходство TestART в создании высококачественных модульных тестов.

Для получения дополнительной информации ознакомьтесь с исследованием.

Все права на исследование принадлежат его авторам.

Следите за нашими новостями в Twitter и присоединяйтесь к нашим группам в Telegram и LinkedIn.

Не забудьте присоединиться к нашему сообществу в Reddit.

Найдите предстоящие вебинары по ИИ здесь.

Arcee AI Released DistillKit

Arcee AI выпустила DistillKit: открытый инструмент для моделирования дистилляции, обеспечивающий создание эффективных и высокопроизводительных малых языковых моделей.

Больше информации доступно на сайте.

«`

Полезные ссылки:

Новости в сфере искусственного интеллекта