代码大模型 / AI 编程

EvoGPT: Leveraging LLM-Driven Seed Diversity to Improve Search-Based Test Suite Generation

EvoGPT：利用LLM驱动的种子多样性改进基于搜索的测试套件生成

Lior Broide, Roni Stern, Argaman Mordoch

机构 * Faculty of Computer and Information Science（计算机与信息科学系） ； Ben-Gurion University of the Negev（内盖夫本·古里安大学） 纠错

专题命中 测试生成 ：unit test generation(abstract)；分类 cs.SE、cs.AI

AI总结 EvoGPT结合LLM生成与进化算法优化，通过强制多样性提升测试套件生成的覆盖率和突变分数。

Automated Test Suite Enhancement Using Large Language Models with Few-shot Prompting

利用少量示例提示的大语言模型自动测试套件增强

Alex Chudic, Gül Çalıklı

专题命中 测试生成 ：unit test generation(abstract)；分类 cs.SE

AI总结 本文研究利用少量示例提示生成高质量单元测试，通过评估不同测试来源对测试质量的影响，提升混合人类-人工智能代码库的测试套件质量。

Comments 13 pages, 3 figures, accepted to ICPC 2026 (34th International Conference on Program Comprehension)

SAFuzz: Semantic-Guided Adaptive Fuzzing for LLM-Generated Code

SAFuzz：基于语义的自适应模糊测试用于大语言模型生成的代码

Ziyi Yang, Kalit Inani, Keshav Kabra, Vima Gupta, Anand Padmanabha Iyer

专题命中 测试生成 ：unit test generation(abstract)；分类 cs.SE

AI总结 SAFuzz通过结合LLM引导的自适应模糊测试，提升算法漏洞检测精度和效率，减少测试时间成本。

Comments 11 pages, 6 figures, 4 tables