Enhancing LLM-Based Bug Reproduction for Android Apps via Pre-Assessment of Visual Effects
Xiamen University(厦门大学)
本文提出LTGDroid,通过执行所有可能的UI操作并记录视觉效果,指导LLM选择重现bug的UI操作,提升Android应用bug重现的成功率。
2026-03-31 cs.SE
Enhancing Mobile App Bug Reporting via Real-time Understanding of Reproduction Steps
开发人员从用户那里接收关于软件现场故障的反馈的主要机制之一是通过错误报告。不幸的是,手工编写的错误报告的质量可能会有很大的差异,这是因为需要包括基本信息,例如详细的复制步骤(S2R)。尽管报告者面临着困难,但很少有现有的错误报告系统试图为用户提供自动化的帮助,以制作易于阅读和方便复制的错误报告。为了解决需要积极主动的错误报告系统,积极帮助用户捕捉关键信息,我们介绍了一种新的错误报告方法,称为EBug。EBug通过实时的【形】分析报告者输入的自然语言信息,并将这些数据与通过静态和动态程序分析相结合提取的信息联系起来,帮助报告者为移动应用程序编写S2R。当记者编写S2R时,EBug能够使用根据实际应用程序使用情况训练的预测模型自动建议潜在的未来步骤。为了评估EBug,我们基于来自$11$真实世界应用程序的20个故障进行了两项用户研究。实证研究涉及10名参与者,每个人提交了10个错误报告,10名开发人员复制了提交的错误报告。在这些研究中,我们发现报告者使用EBug构建错误报告的速度比使用最先进的错误报告系统作为基线要快31倍。EBug的报告相对于基线生成的报告也更具可重复性。此外,我们将EBug的预测模型与其他预测建模方法进行了比较,发现总体而言,我们方法的预测模型优于基线方法。我们的研究结果是有希望的,并展示了潜在的好处,提供了积极的辅助错误报告系统。
2022-03-22 cs.SE
Large Language Models are Few-shot Testers: Exploring LLM-based General Bug Reproduction
针对现有测试生成技术难以从通用缺陷报告复现缺陷的问题,提出基于大语言模型的LIBRO框架,通过后处理排序测试有效性,在Defects4J等基准上取得良好效果,可提升开发效率。
2023-07-25 cs.SE
REINS: Agent-guided Thread Scheduling for Concurrency Bug Detection and Reproduction
The University of Queensland(昆士兰大学);Carnegie Mellon University(卡内基梅隆大学)
REINS是一种智能体引导线程调度的方法,通过利用并发语义与缺陷模式优化调度,在有限预算内更高效检测并发缺陷,还在实际项目中发现6个未知缺陷且3个获开发者确认。
2026-10-12 cs.SE
AEGIS: An Agent-based Framework for General Bug Reproduction from Issue Descriptions
ByteDance(字节跳动);Shanghai Jiao Tong University(上海交通大学)
本文针对现有错误复现方法局限于特定类型的问题,提出基于智能体的AEGIS框架,通过简洁上下文构建和FSM多反馈优化模块提升通用错误复现性能,实验显示F->P指标超基线23.0%,并提高Agentless解决率12.5%。
2024-11-27 cs.AI cs.SE
Automatically Reproducing Android Bug Reports Using Natural Language Processing and Reinforcement Learning
作为解决用户通过错误报告提交的问题的过程的一部分,Android开发人员尝试重现和观察错误报告中描述的故障。由于bug报告的低质量和现代应用程序的复杂性,复制过程是不平凡和耗时的。因此,非常需要能够帮助重现Android错误报告的自动方法。然而,当前帮助开发人员自动再现错误报告的方法仅能够处理有限形式的自然语言文本,并且难以成功再现初始错误报告缺少或不精确步骤的故障。在本文中,我们将介绍一种新的全自动Android错误报告再现方法,以解决这些限制。我们的方法通过利用自然语言处理技术来更全面、更准确地分析Android错误报告中的自然语言,并基于强化学习设计新技术来指导搜索成功的再现步骤,从而实现了这一目标。我们对77个真实世界的错误报告进行了实证评估。我们的方法在准确地从错误报告中提取再现步骤方面实现了67%的精确度和77%的召回率,并再现了74%的错误报告,显着优于最先进的技术。
2023-01-18 cs.SE
ReProAgent: Tool-Augmented Multi-Stage Agentic Generation of Bug Reproduction Tests from Issue Reports
School of Computer Science and Engineering, Nanjing University of Science and Technology(南京理工大学计算机科学与工程学院);State Key Laboratory for Novel Software Technology, Nanjing University(南京大学软件新技术国家重点实验室);Singapore Management University(新加坡管理大学)
研究提出ReProAgent多阶段代理框架,从问题报告生成错误重现测试,将任务分解为四个阶段,集成多种工具支持各阶段,实验表明其能成功重现较多问题,优于基线,还可跨模型泛化并提升下游问题解决性能。
2026-07-13 cs.SE
TreeMind: Automatically Reproducing Android Bug Reports via LLM-empowered Monte Carlo Tree Search
Anhui University(安徽大学);University of Science and Technology of China(中国科学技术大学)
TreeMind结合LLM与MCTS算法,通过语义推理和反馈导航,高效重现Android bug报告。
2026-02-01 cs.SE
Agents in the Sandbox: End-to-End Crash Bug Reproduction for Minecraft
Electronics Engineering Department Bilkent University Ankara, Turkey(电子工程系比尔肯特大学安卡拉土耳其);Computer Engineering Department Bilkent University Ankara, Turkey(计算机工程系比尔肯特大学安卡拉土耳其)
本文提出 BugCraft 框架,通过 LLM 和视觉智能体在 Minecraft 中实现端到端崩溃 Bug 自动复现,并构建 BugCraft-Bench 数据集,复现率达 34.9%,超越基线 37%。
2025-10-10 cs.AI cs.SE
Echo: Graph-Enhanced Retrieval and Execution Feedback for Issue Reproduction Test Generation
Nanjing University(南京大学);University College London(伦敦大学学院);NOFA(诺发);University of Texas at Dallas(德克萨斯大学达拉斯分校)
Echo通过基于代码图的检索和执行反馈生成缺陷重现测试用例,提升测试生成效率与准确性。
2026-03-07 cs.SE
iCoRe: An Iterative Correlation-Aware Retriever for Bug Reproduction Test Generation
The Hong Kong University of Science and Technology(香港科技大学);Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security(杭州高新区(滨江)区块链与数据安全研究院)
本文提出iCoRe,一种迭代相关性感知的Bug重现测试生成检索器,通过区分源代码与测试用例的检索需求、结合文本语义与函数调用结构、以及实现检索与生成阶段的反馈循环,提升Bug重现测试生成的准确性。
2026-06-27 cs.SE
Dynamic Cogeneration of Bug Reproduction Test in Agentic Program Repair
Google, USA(谷歌(美国))
本文研究了在程序修复中动态共生生成测试的方法,通过在同一补丁中生成修复和测试用例,提高修复的可信度并减少维护成本。
2026-08-25 cs.AI cs.SE
Agentic Bug Reproduction for Effective Automated Program Repair at Google
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Google(谷歌);TU Wien(维也纳技术大学)
本文提出BRT Agent,利用微调大语言模型从谷歌内部缺陷报告自动生成缺陷复现测试,显著优于LIBRO,并能有效提升自动化程序修复系统的修复效果。
2025-03-11 cs.AI cs.SE
Beyond Fail-to-Pass: Iterative Hardening of Co-Generated Bug Reproduction Tests and Fixes
Nanjing University(南京大学);Peking University(北京大学);Microsoft(微软公司)
研究自动化程序修复中错误重现测试问题,指出仅用未通过到通过标准不足。提出CoHarden框架,先生成测试再迭代强化测试与修复,实验证明该框架在解决率等方面优于现有基线。
2026-07-23 cs.AI cs.SE
How Effective are Smart Contract Analysis Tools? Evaluating Smart Contract Static Analysis Tools Using Bug Injection
针对智能合约的安全攻击一直在上升,这导致了财务损失和信任的侵蚀。因此,让开发人员在部署之前发现智能合约中的安全漏洞非常重要。已经开发了许多静态分析工具来查找智能合约中的安全漏洞。然而,尽管有许多错误发现工具,但没有系统的方法来评估所提出的工具并衡量其有效性。本文提出了SolidiFI,这是一种用于评估智能合约静态分析工具的自动化和系统化方法。SolidiFI基于注入错误(即,代码缺陷)到智能合约中的所有潜在位置,以引入有针对性的安全漏洞。然后,SolidiFI使用静态分析工具检查生成的错误合约,并识别工具无法检测到的错误(假阴性)以及报告为假阳性的错误。SolidiFI被用来评估六个广泛使用的静态分析工具,即Oyente,Securify,Mythril,SmartCheck,Manticore和Slither,使用一组由9369个不同的错误注入的50个合同。它发现了几个被评估的工具没有检测到的bug实例,尽管它们声称能够检测到这样的bug,并且所有的工具都报告了许多误报
2020-05-23 cs.SE
CrashJS: A NodeJS Benchmark for Automated Crash Reproduction
针对 JavaScript 缺乏自动化崩溃复现工具与评测资源的问题,本文提出 CrashJS,提供含 453 个 Node.js 崩溃、覆盖真实与合成测试及多复杂度的基准数据集。
2024-05-09 cs.SE
Imitation Game: Reproducing Deep Learning Bugs Leveraging an Intelligent Agent
Dalhousie University(达尔豪斯大学)
RepGen通过智能代理和生成-验证-改进机制,提高了深度学习bug的重现率和效率。
2026-02-26 cs.AI cs.LG cs.SE
Evaluating Manual Intervention to Address the Challenges of Bug Finding with KLEE
符号执行已经显示出其在软件中发现安全相关缺陷的能力,但面临着重大的可扩展性挑战。人们普遍认为,专家的人工干预可以帮助减轻这些限制因素。然而,很少有正式的调查这一想法。在本文中,我们提出了我们的经验,应用KLEE符号执行引擎的一个新的错误语料库,并使用人工干预,以减轻遇到的问题。我们的贡献是(1)半翅目,一个新的语料库的130多个错误,在现实世界的软件,(2)一个全面的评估KLEE符号执行引擎的半翅目与经常发生的软件模式的分类是有问题的符号执行,和(3)评估手动缓解旨在解决符号执行的根本问题。我们的经验表明,在许多情况下,手动干预可以增加代码覆盖率和bug检测。然而,这不是一个银弹,我们讨论它的局限性和遇到的挑战。
2018-05-09 cs.SE
Can LLMs Demystify Bug Reports?
本研究针对现有工具难以自动处理自然语言Bug报告的问题,用Defects4J基准测试ChatGPT,发现其能复现50%的报告Bug,展现了人机协同处理Bug的应用潜力。
2023-10-10 cs.SE
Deriving and Evaluating a Detailed Taxonomy of Game Bugs
本文通过多源文献综述和从业者调查,构建并验证了一个包含63个类别、8个一级类别的游戏缺陷分类体系,揭示了手动测试仍占主导、声音缺陷研究稀缺以及机器学习与游戏平衡成为趋势等现状。
2023-11-28 cs.SE
Combining Language and App UI Analysis for the Automated Assessment of Bug Reproduction Steps
University of Central Florida(中佛罗里达大学);William & Mary(威廉玛丽学院);George Mason University(乔治梅森大学)
本文提出AstroBR技术,利用大语言模型从缺陷报告中提取复现步骤并映射到动态分析得到的GUI交互模型,在S2R标注和缺失步骤建议上分别比基线提升25.2%和71.4%的F1分数。
2025-02-06 cs.LG cs.SE
LLM-Guided Issue Generation from Uncovered Code Segments
Concordia University(康考迪亚大学)
本文提出IssueSpecter工具,通过结合代码覆盖分析与大语言模型缺陷识别,生成优先级高的问题报告,验证其在Python项目中有效检测多种类型漏洞,且比传统方法在准确率和召回率上表现更优。
2026-04-28 cs.SE
Evaluating SZZ Implementations Through a Developer-informed Oracle
SZZ算法用于识别错误引起的变化已被广泛用于评估缺陷预测技术和经验调查何时,如何以及由谁引入错误。多年来,研究人员提出了几种方法来提高SZZ的准确性,提供了各种SZZ的实现。然而,在一个可靠的oracle上公平地评估这些实现是一个悬而未决的问题:SZZ评估通常依赖于(i)对SZZ输出的手动分析,以将识别出的bug诱导提交分类为真或假阳性;或者(ii)链接bug修复和bug诱导提交的黄金集。在这两种情况下,这些人工评估都是由对所研究的主题系统知识有限的研究人员进行的。理想情况下,应该有一个由所研究系统的原始开发人员创建的黄金集。我们提出了一种方法来建立一个“开发人员知情”的预言SZZ变种的评估。我们使用自然语言处理(NLP)来识别bug修复提交,其中开发人员显式引用引入已修复bug的提交。随后是手动过滤步骤,旨在确保神谕的质量和准确性。一旦构建完成,我们就使用oracle来评估SZZ算法的几个变体的准确性。我们的评估帮助我们提取了一组经验教训,以进一步改进SZZ算法。
2021-02-05 cs.SE
AssertFlip: Reproducing Bugs via Inversion of LLM-Generated Passing Tests
University of Waterloo(滑铁卢大学)
AssertFlip通过翻转LLM生成的通过测试来复现错误,有效提升错误复现效率。
2026-01-07 cs.SE
SWE-Doctor: Guiding Software Engineering Agents with Runtime Diagnosis from Multi-Faceted Bug Reproduction Tests
提出SWE-Doctor,通过生成多面缺陷复现测试并执行调试,构建运行时诊断记录,结合定位信息指导补丁生成,在SWE-bench Verified和Pro上平均解决率分别达75.7%和59.4%。
2026-07-02 cs.AI cs.SE
The GitHub Recent Bugs Dataset for Evaluating LLM-based Debugging Applications
针对 Defects4J 可能已进入 LLM 训练数据导致评估失真的问题,本文构建 GHRB 数据集,提供 OpenAI 截止日期后的 76 个真实 Java 缺陷。
2023-11-02 cs.SE
Past, Present, and Future of Bug Tracking in the Generative AI Era
Bilkent University, Department of Computer Engineering(比尔肯大学计算机工程系)
本文探讨生成AI时代缺陷跟踪的发展,提出基于大语言模型和智能代理的框架,旨在通过自然语言报告和AI自动化降低解决时间与协调成本。
2026-03-30 cs.AI cs.SE
Evaluating the Effectiveness of Small Language Models in Detecting Refactoring Bugs
本研究评估小型语言模型在检测Java和Python重构缺陷中的有效性,发现o3-mini-high和Phi-4 14B表现最佳,SLMs能高效检测行为变化缺陷并跨类型泛化。
2025-03-28 cs.SE
From Business Requirements to Test Assertions: Evaluating LLM-Generated Oracles on Real Bugs
Department of EECS, University of Tennessee, Knoxville, TN, USA(田纳西大学诺克斯维尔分校电气与计算机工程系)
研究大语言模型能否从自然语言业务需求生成测试预言机,提出基于Defects4J的流程,对10个实际错误进行实验,评估预言机在与需求衍生预言机及被测系统一致性上表现,发现大语言模型有泛化但存在差异,为后续研究提供可行性参考。
2026-07-14 cs.SE
Evaluating SZZ Implementations: An Empirical Study on the Linux Kernel
本文在Linux内核76,046对缺陷修复与引入提交上实证评估六种SZZ算法,揭示其召回率显著下降且差异缩小,并提出TC-SZZ方法以追踪变更历史,提升缺陷引入提交识别能力。
2024-06-07 cs.SE
Bears: An Extensible Java Bug Benchmark for Automatic Program Repair Studies
错误基准测试对于经验性地评估自动程序修复工具是必不可少的。在本文中,我们提出了熊,一个项目收集和存储错误到一个可扩展的错误基准自动修复研究在Java中。bug的收集依赖于持续集成(CI)的提交构建状态,以从GitHub上托管的开源项目中找到潜在的bug和补丁程序版本对。每一对程序版本都通过一个管道,在管道中尝试复制一个错误及其补丁。再现流水线的核心步骤是在两个程序版本上执行程序的测试套件。如果在有缺陷的程序版本候选中发现测试失败,并且在其修补程序版本候选中没有发现测试失败,则错误及其修补程序成功再现。Bears的独特之处在于使用CI(构建)来识别有缺陷和打补丁的程序版本候选者,这在过去几年中已被广泛采用在开源项目中。这种方法允许我们从各种各样的项目中收集bug,而不仅仅是使用bug跟踪系统的成熟项目。此外,Bears被设计为公开可用,并通过在给定的GitHub存储库中自动创建带有bug的分支来轻松扩展研究社区,这些分支可用于Bears存储库中的拉取请求。我们在本文中介绍的方法所采用的熊,我们提供了版本1.0的熊,其中包含251个可重复的错误收集72个项目,使用特拉维斯CI和Maven构建环境。
2019-01-17 cs.SE
Towards Understanding Bugs in Distributed Training and Inference Frameworks for Large Language Models
本文针对大语言模型分布式训练与推理框架的Bug问题,首次对3个主流框架的308个已修复Bug开展大规模实证分析,揭示Bug特征与低代码修复规律,为框架可靠性提升与自动化调试提供了方向。
2025-06-12 cs.SE
Can Old Tests Do New Tricks for Resolving SWE Issues?
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);IBM(国际商业机器公司)
本文提出TestPrune,通过重用回归测试自动最小化测试套件,提升问题复现和修复效率,实验证明在多个基准测试中显著提高复现和修复率。
2026-05-08 cs.SE
LLMs as Evaluators: A Novel Approach to Evaluate Bug Report Summarization
本研究探索用 GPT-4o、LLaMA-3 和 Gemini 等 LLM 自动评估缺陷报告摘要,实验表明 LLM 表现良好且 GPT-4o 最优,同时可避免人类评估者的疲劳问题,具备规模化评估潜力。
2024-09-01 cs.SE
Is this Change the Answer to that Problem? Correlating Descriptions of Bug and Code Changes for Evaluating Patch Correctness
University of Luxembourg(卢森堡大学);National University of Defense Technology(国防科技大学);Huawei(华为)
在这项工作中,我们提出了一个新的视角补丁正确性评估的问题:一个正确的补丁实现的变化,“回答”的问题所造成的错误行为。具体地说,我们把补丁的正确性评估转化为一个问答问题。为了解决这个问题,我们的直觉是,自然语言处理可以提供必要的表示和模型,用于评估错误(问题)和补丁(答案)之间的语义相关性。具体来说,我们认为作为输入的错误报告,以及生成的补丁的自然语言描述。我们的方法,Quatrain,首先考虑最先进的提交消息生成模型,以产生与每个生成的补丁相关联的相关输入。然后,我们利用一个神经网络架构来学习错误报告和提交消息之间的语义相关性。在针对3个bug数据集(Defects4j、Bugs.jar和Bears)生成的9135个补丁的大数据集上进行的实验表明,Quatrain在预测补丁正确性方面的AUC为0.886,能够召回93%的正确补丁,同时过滤掉62%的错误补丁。我们的实验结果进一步证明了输入质量对预测性能的影响。我们进一步进行实验,以强调该模型确实学习了错误报告和代码更改描述之间的关系,以进行预测。最后,我们与以前的工作进行比较,并讨论我们的方法的好处。
2022-09-01 cs.AI cs.SE
SWEPatchTest: Evaluating Software Tests Beyond Reproduction
Baidu Inc.(百度公司);Nanjing University(南京大学);The Chinese University of Hong Kong(香港中文大学)
该研究提出SWEPatchTest基准,通过联合衡量问题复现、补丁接受与拒绝的JVR评估测试质量,用其优化SFT训练方法,提升了SWE-bench基准上的补丁修复效果。
2026-10-14 cs.AI cs.SE
Automatic Program Repair with OpenAI's Codex: Evaluating QuixBugs
OpenAI的Codex是一个在大型代码语料库上训练的类似GPT-3的模型,已经成为学术界内外的头条新闻。给定用户提供的简短描述,它能够合成在大多数情况下语法和语义上有效的代码段。在这项工作中,我们要调查法典是否能够本地化和修复错误,在自动程序修复领域的中心感兴趣的任务。我们的初始评估使用多语言菜Bugs基准测试(Python和Java中有40个bug)。我们发现,尽管没有接受过APR培训,Codex是令人惊讶的有效,并与最近的最先进的技术竞争。我们的研究结果还表明,Codex在修复Python方面比Java稍微成功一些。
2021-11-06 cs.SE
TestExplora: Benchmarking LLMs for Proactive Bug Discovery via Repository-Level Test Generation
Microsoft(微软公司);School of ECE, Peking University(北京大学电子工程学院);Tsinghua University(清华大学);Chinese Academy of Sciences(中国科学院)
TestExplora通过仓库级测试生成评估LLMs在主动bug发现中的能力,揭示了当前模型在复杂交互和代理探索方面的不足。
2026-02-22 cs.CL cs.SE
An Empirical Study on LLM-based Agents for Automated Bug Fixing
ByteDance(字节跳动)
本文在SWE-bench Verified上实证评估六个基于LLM的自动Bug修复系统,比较整体修复、缺陷定位与复现能力,指出模型与Agentic flow均需优化。
2025-10-19 cs.AI cs.SE
GBQA: A Game Benchmark for Evaluating LLMs as Quality Assurance Engineers
The University of Hong Kong(香港大学);Independent Researcher(独立研究者);Westlake University(西湖大学);Datawhale Org(Datawhale组织)
本文提出GBQA基准,通过30款游戏和124个经人类验证的bug测试LLM自主发现软件缺陷的能力,实验表明最佳模型仅能识别48.39%的bug。
2026-04-03 cs.AI cs.SE
Automated Customized Bug-Benchmark Generation
我们介绍了错误注入器,一个系统,自动创建基准定制评估的静态分析工具。我们分享了一个使用Bug-Injector生成的基准测试,并通过使用它来评估两个领先的开源静态分析工具Clang Static Analyzer和Infer的召回率来说明其有效性。Bug-Injector的工作原理是将基于bug模板的bug插入到真实世界的主机程序中。它在宿主程序上运行测试以收集动态跟踪,在跟踪中搜索状态满足某个bug模板的前提条件的点,然后修改宿主程序以基于该模板注入bug。注入的bug被用作静态分析工具评估基准中的测试用例。每个测试用例都伴随着一个程序输入,用于执行注入的bug。我们已经确定了广泛的需求和缺陷基准的desiderata;我们的方法生成的按需测试基准,满足这些要求。它还允许我们创建适合于评估特定用例(例如,给定的代码库和一组错误类型)。我们的实验评估表明,我们所生成的基准评估静态错误检测工具,并比较不同的工具的性能的适用性。
2019-09-06 cs.PL cs.SE
Evaluating and Mitigating the Misguidance Effect of Buggy Code in LLM-Generated Unit Tests
University of Toronto(多伦多大学)
研究大语言模型生成单元测试时错误代码的误导效应,提出新指标衡量,分析其双重影响,引入基于规范的单元测试生成范式,有效减少误导性测试,增加有效测试,改善测试生成管道,适用于各类代码。
2026-07-28 cs.AI cs.LG cs.SE
LLMs as Continuous Learners: Improving the Reproduction of Defective Code in Software Issues
Shanghai Jiao Tong University(上海交通大学);Tongyi Lab, Alibaba Group(阿里巴巴集团通义实验室)
本文提出多智能体持续学习框架EvoCoder,通过反思机制和分层经验池使LLM动态学习并适应仓库特定缺陷,将问题代码复现率较SOTA提升20%,并显著改善问题解决流程的整体准确率。
2024-11-21 cs.AI cs.SE
On the "Naturalness" of Buggy Code
真正的软件,即由kingdom开发的程序员解决现实世界问题的软件,往往是“自然的”,就像语音或自然语言一样;它往往是高度重复和可预测的。研究人员已经通过统计模型捕捉到了软件的这种自然性,并将其用于建议引擎、移植工具、编码标准检查器和习惯用法挖掘器中。这表明,对于一个好的统计语言模型来说,看起来不太可能或令人惊讶的代码在某种意义上是“不自然的”,因此可能是可疑的。在本文中,我们调查这一假设。我们考虑了一个大型的bug修复提交语料库(约。8,296),来自10个不同的Java项目,我们专注于它的语言统计,评估错误代码的自然性和相应的修复。我们发现,有bug的代码往往更具熵(即,不自然的),随着bug的修复而变得不那么自然。专注于高熵行在成本效益方面与一些众所周知的静态错误发现器(PMD,FindBugs)相似,并且使用熵度量对这些错误发现器的警告进行排序可以提高检查警告中涉及的代码的成本效益。这表明熵可能是一种有效的独立于语言的简单方法,可以补充PMD或FindBugs的有效性,并且基于搜索的错误修复方法可以从使用熵进行错误定位和搜索修复中受益。
2015-09-10 cs.SE
Semantic Drift in Bug Resolution: How Behavioral Signals Propagate from Reports to Tests and Patches
University of Luxembourg(卢森堡大学);Nanjing University of Science and Technology(南京理工大学);Zhejiang University(浙江大学);Bilkent University(比尔肯特大学);Singapore Management University(新加坡管理大学)
研究错误修复中行为信号跨工件传播的量化问题,核心方法是引入Desc2Fix框架,通过结构化行为锚等实现语义对齐,主要贡献是证明行为对齐可测且非相似性可比,能为测试和补丁相关工作提供可重现信号,助力多项错误修复任务。
2026-08-14 cs.SE
MarsCode Agent: AI-native Automated Bug Fixing
ByteDance(字节跳动);Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳))
本文提出 AI 原生框架 MarsCode Agent,通过结合 LLM 与代码分析,并按规划、复现、定位、补丁生成及验证流程自动修复缺陷;其在 SWE-bench 上优于多数现有自动化方法。
2024-09-04 cs.AI cs.SE
SA-Bench: Evaluating Semantic Alignment in LLM-Based Paper Reproduction
Beihang University(北京航空航天大学);Shanghai Jiao Tong University(上海交通大学);Minzu University of China(中央民族大学);Peking University(北京大学);Zhongguancun Academy(中关村科学院)
本研究推出SA-Bench基准,评估LLM复现论文时的语义对齐,发现现有模型复现准确率低,需优化脚手架以提升语义规范验证能力。
2026-08-26 cs.AI cs.SE
SeeAction: Towards Reverse Engineering How-What-Where of HCI Actions from Screencasts for UI Automation
本文提出 SeeAction 深度学习视觉模型,从非侵入式屏幕录像中识别命令、控件与位置,构建 7260 对视频-动作数据集,并验证其可用于缺陷复现脚本生成。
2025-03-17 cs.SE
LLMs are Bug Replicators: An Empirical Study on LLMs' Capability in Completing Bug-prone Code
本文通过 7 个 LLM 在 Defects4J 上的实证研究,发现模型完成易含缺陷代码时准确率低且常复制历史缺陷,现有后处理也难以显著降错。
2025-03-14 cs.SE
English Please: Evaluating Machine Translation with Large Language Models for Multilingual Bug Reports
Juniper Networks Inc.(Juniper网络公司)
本研究首次系统评估了 DeepL、AWS Translate 及多种大型语言模型在多语言缺陷报告翻译和源语言识别上的表现,发现不同系统各有所长,强调了领域适配和任务特定评估的重要性。
2025-05-08 cs.CL cs.SE
DPIAgent: Divide, Protocol, Isolate for Agentic Reproduction Test Generation
Microsoft(微软);Tsinghua University(清华大学)
DPIAgent是基于Divide、Protocol、Isolate原则的结构化智能体框架,将复现测试用例生成拆分为单目标阶段,在SWT-Bench Verified上优于七个基线方法,GPT-5成功率达81.76%,添加测试选择后升至86.17%,通用性良好。
2026-08-25 cs.SE
Tricky$^2$: Towards a Benchmark for Evaluating Human and LLM Error Interactions
William and Mary(威廉玛丽学院)
Tricky$^2$是一个混合数据集,用于评估人类和LLM错误交互,包含人类和LLM生成的错误,支持混合错误行为分析和修复鲁棒性研究。
2026-01-26 cs.AI cs.SE
EvoOtter: Evolutionary Reproduction Test Generator
IBM
研究如何生成错误重现测试,此前方法成本高且反馈不可靠。新方法EvoOtter通过连续减半控制测试执行成本,用批交叉等控制大语言模型成本,以新适应度分数生成高质量测试,成本低。
2026-07-07 cs.LG cs.SE
Coding in a Bubble? Evaluating LLMs in Resolving Context Adaptation Bugs During Code Adaptation
National University of Defense Technology(国防科技大学);Peng Cheng Laboratory(鹏城实验室)
研究提出CtxBugGen框架,评估LLMs在解决代码适应中的上下文适应故障方面的性能,发现LLMs在处理此类问题时存在显著不足。
2026-01-10 cs.AI cs.SE