代码大模型 / AI 编程

Robust Multilingual Text-to-Pictogram Mapping for Scalable Reading Rehabilitation

鲁棒多语言文本到图示映射以实现可扩展的阅读康复

Soufiane Jhilal, Martina Galletti

机构 * Sony Computer Sciences Laboratories（索尼计算机科学实验室） 纠错

专题命中 测试生成 ：repository(abstract)；分类 cs.CL

AI总结 本文提出一种多语言AI界面，通过自动增强文本并映射相关图示，帮助特殊教育需求儿童提高阅读理解能力，经过五种语言评估显示系统在语义安全性和可用性方面具有技术可行性。

Comments Accepted at IEEE ICALT 2026

Fuzzing with Agents? Generators Are All You Need

代理 fuzzing？生成器就是一切

Vasudev Vikram, Rohan Padhye

专题命中 测试生成 ：coding agent(abstract)；分类 cs.SE

AI总结 本文探讨利用AI代理自动生成针对特定目标的输入生成器，发现生成器在分支覆盖率上优于人工编写者，且无需覆盖引导和突变策略。

Fixturize: Bridging the Fixture Gap in Test Generation

Fixturize:弥合测试生成中的Fixture缺口

Chengyi Wang, Pengyu Xue, Zhen Yang, Xiapu Luo, Yuxuan Zhang, Xiran Lyu, Yifei Pei, Zonghan Jia, Yichen Sun, Linhao Wu, Kunwu Zheng

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

AI总结 Fixturize通过主动识别依赖fixture的函数并迭代生成fixture，提升自动化测试套件质量，显著提高测试通过率和覆盖率。

Code-A1: Adversarial Evolving of Code LLM and Test LLM via Reinforcement Learning

Code-A1：通过强化学习进行代码LLM和测试LLM的对抗演化

Aozhe Wang, Yuchen Yan, Nan Zhou, Zhengxi Lu, Weiming Lu, Jun Xiao, Yueting Zhuang, Yongliang Shen

机构 * Zhejiang University（浙江大学） 纠错

专题命中 测试生成 ：code generation(abstract)；分类 cs.CL

AI总结 Code-A1通过对抗性共进化框架联合优化代码LLM和测试LLM，解决传统方法中白盒访问导致的自我 collusion 和黑盒限制下的测试泛化问题，提升测试生成能力。

Comments Project Page: https://zju-real.github.io/Code-A1 Code: https://github.com/ZJU-REAL/Code-A1

Mining the YARA Ecosystem: From Ad-Hoc Sharing to Data-Driven Threat Intelligence

挖掘YARA生态系统：从随意分享到数据驱动威胁情报

Dectot--Le Monnier de Gouville Esteban, Mohammad Hamdaqa, Moataz Chouchen

专题命中 测试生成 ：repository(abstract)；分类 cs.SE

AI总结 研究通过分析840万条规则揭示YARA生态系统高度集中且存在运营问题，提出需从随意收集转向严格规则工程。

Comments Accepted at the International Conference on Evaluation and Assessment in Software Engineering (EASE 2026)

Journal ref Proceedings of the 30th International Conference on Evaluation and Assessment in Software Engineering (EASE 2026)

EvolveCoder: Evolving Test Cases via Adversarial Verification for Code Reinforcement Learning

EvolveCoder：通过对抗验证演化测试用例以增强代码强化学习

Chi Ruan, Dongfu Jiang, Huaye Zeng, Ping Nie, Wenhu Chen

机构 * University of Waterloo（多伦多大学） ； Vector Institute（向量研究所） ； Harvard University（哈佛大学） 纠错

专题命中 测试生成 ：code generation(abstract)；分类 cs.CL

AI总结 本文提出基于解决方案的对抗验证框架，通过迭代优化测试用例提升验证效果，构建了EvolveCoder-22k数据集，实验证明其在代码生成强化学习中提升模型性能。

Learning to Solve and Verify: A Self-Play Framework for Code and Test Generation

学习解决与验证：一种用于代码和测试生成的自博弈框架

Zi Lin, Sheng Shen, Ilia Kulikov, Jingbo Shang, Jason Weston, Yixin Nie

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

AI总结 本研究提出Sol-Ver框架，通过自博弈方式提升代码和测试生成能力，无需人工标注或大模型，实现代码生成和测试生成的性能提升。

Comments 14 pages, 5 figures

ATTest: Agent-Driven Tensor Testing for Deep Learning Library Modules

基于代理的张量测试：用于深度学习库模块的单元测试生成

Zhengyu Zhan, Ye Shang, Jiawei Liu, Chunrong Fang, Quanjun Zhang, Zhenyu Chen

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

AI总结 ATTest通过基于代理的框架生成深度学习库模块的高效单元测试，显著提升测试覆盖率和稳定性。

Comments 5 pages, 3 figures

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

Measuring What Matters: The AI Pluralism Index

衡量重要性：AI多元主义指数

Rashid Mushkani

机构 * Université de Montréal（蒙特利尔大学） ； Mila – Québec AI Institute（魁北克人工智能研究所） 纠错

专题命中 测试生成 ：repository(abstract)；分类 cs.AI

AI总结 本文提出AI多元主义指数，用于衡量人工智能系统在治理、包容性和透明度方面的多元实践，旨在引导激励向多元主义方向发展。

Comments Proceedings of the International Association for Safe & Ethical AI (IASEAI), 2026

Combining Tests and Proofs for Better Software Verification

将测试与证明结合以提升软件验证

Li Huang, Bertrand Meyer, Manuel Oriol

专题命中 测试生成 ：program repair(abstract)；分类 cs.SE

AI总结 通过结合测试与证明技术，利用设计契约和反例生成，提升软件验证的质量与效率。

Artificial or Just Artful? Do LLMs Bend the Rules in Programming?

人工还是艺术？LLMs在编程中是否会打破规则？

Oussama Ben Sghaier, Kevin Delcourt, Houari Sahraoui

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

AI总结 本文研究了LLMs在不同提示条件下如何调整代码生成策略，发现测试可见性显著影响性能，测试驱动的细化成为主要适应策略。

PUCP-Metrix: An Open-source and Comprehensive Toolkit for Linguistic Analysis of Spanish Texts

PUCP-Metrix: 一个用于西班牙语文本语言分析的开源综合性工具包

Javier Alonso Villegas Luis, Marco Antonio Sobrevilla Cabezudo

机构 * Research Group on Artificial Intelligence, Pontificia Universidad Católica del Perú（人工智能研究组，天主教秘鲁大学） 纠错

专题命中 测试生成 ：repository(abstract)；分类 cs.CL

AI总结 PUCP-Metrix是一个开源工具包，提供182个语言指标，用于西班牙语文本的细粒度可解释分析，适用于自动可读性评估和机器生成文本检测。

Comments 1 figure, Submitted to EACL Demo track (under review)

Understanding the Characteristics of LLM-Generated Property-Based Tests in Exploring Edge Cases

Hidetake Tanaka, Haruto Tanaka, Kazumasa Shimari, Kenichi Matsumoto

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

Comments Accepted for publication in 2nd IEEE/ACM international conference on AI-powered Software (AIware 2025) : 8 pages, 1 table, 8 figures

ATGen: Adversarial Reinforcement Learning for Test Case Generation

Qingyao Li, Xinyi Dai, Weiwen Liu, Xiangyang Li, Yasheng Wang, Ruiming Tang, Yong Yu, Weinan Zhang

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

RepoSummary: Feature-Oriented Summarization and Documentation Generation for Code Repositories

Yifeng Zhu, Xianlin Zhao, Xutian Li, Yanzhen Zou, Haizhuo Yuan, Yue Wang, Bing Xie

专题命中 测试生成 ：repository(abstract)；分类 cs.SE

Continuously Augmented Discrete Diffusion model for Categorical Generative Modeling

Huangjie Zheng, Shansan Gong, Ruixiang Zhang, Tianrong Chen, Jiatao Gu, Mingyuan Zhou, Navdeep Jaitly, Yizhe Zhang

机构 * Apple（苹果公司） 纠错

专题命中 测试生成 ：code model(abstract)；分类 cs.LG

Causes and Effects of Fitness Landscapes in System Test Generation: A Replication Study

Omur Sahin, Man Zhang, Andrea Arcuri

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

Detecção de Conflitos Semânticos com Testes Gerados por LLM

Nathalia Barbosa, Paulo Borba, Léuson Da Silva

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

Comments Comments: 11 pages, in Portuguese language. 3 figures. Submitted to SAST 2025 (X Simpósio Brasileiro de Teste de Software Sistemático e Automatizado). in Portuguese language

TOGLL: Correct and Strong Test Oracle Generation with LLMs

Soneya Binta Hossain, Matthew Dwyer

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

Journal ref 2025 IEEE/ACM 47th International Conference on Software Engineering (ICSE), 2025, 1475-1487

Key-Augmented Neural Triggers for Knowledge Sharing

Alex Wolf, Marco Edoardo Palma, Pooja Rani, Harald C. Gall

专题命中 测试生成 ：repository(abstract)；分类 cs.SE

Large Language Models for Unit Testing: A Systematic Literature Review

Quanjun Zhang, Chunrong Fang, Siqi Gu, Ye Shang, Zhenyu Chen, Liang Xiao

专题命中 测试生成 ：repository(abstract)；分类 cs.SE

SAGE:Specification-Aware Grammar Extraction for Automated Test Case Generation with LLMs

Aditi, Hyunwoo Park, Sicheol Sung, Yo-Sub Han, Sang-Ki Ko

机构 * University of Seoul, South Korea（首尔大学，韩国） ； Yonsei University, South Korea（延世大学，韩国） 纠错

专题命中 测试生成 ：repository(abstract)；分类 cs.CL

Why Do More Experts Fail? A Theoretical Analysis of Model Merging

Zijing Wang, Xingle Xu, Yongkang Liu, Yiqun Zhang, Peiqin Lin, Shi Feng, Xiaocui Yang, Daling Wang, Hinrich Schütze

机构 * Northeastern University, China（东北大学，中国） ； CIS, LMU Munich（慕尼黑大学计算机学院；德国麦克斯·普朗克研究所） ； MCML, Germany 纠错

专题命中 测试生成 ：repository(abstract)；分类 cs.LG

From Past to Present: A Survey of Malicious URL Detection Techniques, Datasets and Code Repositories

Ye Tian, Yanqiu Yu, Jianguo Sun, Yanbin Wang

机构 * Hangzhou Institute of Technology,Xidian University,Hangzhou,310000,Zhejiang,China（杭州科技学院，西安电子科技大学，杭州，310000，浙江，中国） 纠错

专题命中 测试生成 ：repository(abstract)；分类 cs.LG

Comments This manuscript is currently under review at Computer Science Review

HardTests: Synthesizing High-Quality Test Cases for LLM Coding

Zhongmou He, Yee Man Choi, Kexun Zhang, Jiabao Ji, Junting Zhou, Dejia Xu, Ivan Bercovich, Aidan Zhang, Lei Li

专题命中 测试生成 ：code generation(abstract)；分类 cs.CL

AFLNet Five Years Later: On Coverage-Guided Protocol Fuzzing

Ruijie Meng, Van-Thuan Pham, Marcel Böhme, Abhik Roychoudhury

专题命中 测试生成 ：repository(abstract)；分类 cs.SE

Comments 14 pages, 3 tables, 7 figures

AGBD: A Global-scale Biomass Dataset

Ghjulia Sialelli, Torben Peters, Jan D. Wegner, Konrad Schindler

专题命中 测试生成 ：repository(abstract)；分类 cs.LG

TestART: Improving LLM-based Unit Testing via Co-evolution of Automated Generation and Repair Iteration

Siqi Gu, Quanjun Zhang, Kecheng Li, Chunrong Fang, Fangyuan Tian, Liuchuan Zhu, Jianyi Zhou, Zhenyu Chen

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