代码大模型 / AI 编程

MultiFileTest: A Multi-File-Level LLM Unit Test Generation Benchmark and Impact of Error Fixing Mechanisms

MultiFileTest：一个多文件级LLM单元测试生成基准及错误修复机制的影响

Yibo Wang, Congying Xia, Wenting Zhao, Jiangshu Du, Chunyu Miao, Zhongfen Deng, Philip S. Yu, Chen Xing

机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； Salesforce Research（Salesforce研究院） ； Scale AI 纠错

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

AI总结 本文提出MultiFileTest基准，评估多文件级代码的单元测试生成性能，发现前沿LLM表现一般，且存在执行及级联错误，进一步评估了错误修复机制的效果。

Comments Published at ACL 2026 (Findings)

Planning to Explore: Curiosity-Driven Planning for LLM Test Generation

规划以探索：基于好奇心的规划用于LLM测试生成

Alfonso Amayuelas, Firas Laakom, Piotr Piękos, Wenyi Wang, Yifan Xu, Yuhui Wang, Jürgen Schmidhuber, William Wang

机构 * University of California, Santa Barbara（加州大学圣塔芭芭拉分校） ； King Abdullah University of Science and Technology（阿卜杜拉国王科技大学） 纠错

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

AI总结 本文提出CovQValue方法，通过将覆盖地图反馈给LLM生成多样化计划，并利用LLM估计的Q值选择最信息量的计划，以平衡即时分支发现与未来可达性，优于贪心策略，在测试生成任务中取得更高覆盖率。

A Multi-Agent Framework for Automated Exploit Generation with Constraint-Guided Comprehension and Reflection

面向自动漏洞生成的多智能体框架：基于约束引导的推理与反思

Siyi Chen, Tianhan Luo, Shijian Wu, Xiangyu Liu, Yilin Zhou, Qi Li, Wenyuan Xu

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

AI总结 本文提出Vulnsage多智能体框架，通过分解复杂漏洞生成过程为多个专业化子智能体，结合LLM生成候选漏洞利用代码，并通过反馈驱动的自完善循环提升漏洞生成效率与准确性，实验证明其在生成漏洞利用代码和发现零日漏洞方面优于现有工具。

Journal ref 34th IEEE/ACM International Conference on Program Comprehension (ICPC '26), April 12--13, 2026, Rio de Janeiro, Brazil

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