代码大模型 / AI 编程

Uncovering Business Logic Bugs via Semantics-Driven Unit Test Generation

通过语义驱动的单元测试生成揭示业务逻辑错误

Chen Yang, Junjie Chen

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

AI总结 本文提出SeGa方法，通过语义知识库生成单元测试以发现业务逻辑错误，实验显示其在检测错误数量和精度提升方面优于现有技术。

Comments Accepted in the Research Track of ISSTA 2026

An Evidence-Grounded Retrieval-Augmented Transformer Framework for Health Misinformation Verification

用于健康虚假信息验证的基于证据的检索增强Transformer框架

Isah M. Bukar, Bala Mairiga Abduljalil, Bashir Saleh Maina, Abdulbasit Hassan

机构 * Yobe State University（约贝州立大学） ； Yobe AI Research Laboratory (YAIR Lab)（约贝人工智能研究实验室） ； Novosibirsk State University（新西伯利亚国立大学） ； College of Computer Science and Engineering, Hamad Bin Khalifa University（哈马德·本·哈利法大学计算机科学与工程学院） 纠错

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

AI总结 本研究针对发展中国家健康虚假信息验证的本地语境缺失问题，提出基于WHO和尼日利亚疾控中心证据的检索增强Transformer框架，经实验评估BERT模型表现最佳，为资源受限地区开发相关系统提供基础。

Comments 17 pages, 2 figures, To appear in the Reimagining knowledge systems for digital transformation and sustainable development in the 21st century conference 2026, faculty of social sciences education. Federal University of Education, Zaria

On the Diffusion of Test Smells in LLM-Generated Unit Tests

论LLM生成的单元测试中测试异味的扩散

Wendkûuni C. Ouédraogo, Yinghua Li, Xueqi Dang, Xunzhu Tang, Anil Koyuncu, Jacques Klein, David Lo, Tegawendé F. Bissyandé

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

AI总结 本研究通过多基准大规模分析，对比LLM生成、人类编写及EvoSuite生成的单元测试，发现LLM生成测试存在特定测试异味，受提示策略等影响，凸显基于LLM的测试生成的潜力与风险，呼吁开发相关优化方案。

Comments Accepted at Transactions on Software Engineering and Methodology (TOSEM) journal on 31 July 2026