CN117609049A - 基于大型语言模型的单元测试案例生成方法及装置 - Google Patents
基于大型语言模型的单元测试案例生成方法及装置 Download PDFInfo
- Publication number
- CN117609049A CN117609049A CN202311625707.7A CN202311625707A CN117609049A CN 117609049 A CN117609049 A CN 117609049A CN 202311625707 A CN202311625707 A CN 202311625707A CN 117609049 A CN117609049 A CN 117609049A
- Authority
- CN
- China
- Prior art keywords
- unit test
- language model
- test case
- source code
- large language
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 189
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 116
- 238000002372 labelling Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000015654 memory Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Stored Programmes (AREA)
Abstract
本公开提供了一种基于大型语言模型的单元测试案例生成方法,涉及人工智能技术领域,可以应用于金融技术领域。所述方法包括:响应于单元测试案例生成指令,获取用户输入的会话信息;将所述会话信息按照预设数据格式生成输入文本;将所述输入文本输入大型语言模型,所述大型语言模型是根据源代码和所述源代码的单元测试案例进行微调训练得到的;以及输出目标单元测试案例。本公开还提供了一种基于大型语言模型的单元测试案例生成装置、设备、存储介质和程序产品。
Description
技术领域
本公开涉及人工智能技术领域,具体的涉及测试自动化技术领域,更具体地涉及一种基于大型语言模型的单元测试案例生成方法、装置、设备、存储介质和程序产品。
背景技术
随着人工智能的发展,基于生成式AI的代码生成逐渐成为一个重要的技术领域,用于根据不完整的数据源、用另一种编程语言编写的程序、自然语言描述或执行日志来预测代码或程序结构,大型语言模型(LLM,Large Language Model)的应用逐渐普遍起来,通过对现有大型语言模型进行微调能够实现根据用户输入的自然语言生成需要的代码或文本,大大提高开发测试人员的工作效率。但现有大型语言模型的微调方法主要针对生成代码或文本,而不能微调出根据各编程语言的代码生成相应的单元测试案例。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
鉴于上述问题,本公开提供了一种能够自动生成测试案例的基于大型语言模型的单元测试案例生成方法、装置、设备、存储介质和程序产品。
根据本公开的第一个方面,提供了一种基于大型语言模型的单元测试案例生成方法,所述方法包括:
响应于单元测试案例生成指令,获取用户输入的会话信息;
将所述会话信息按照预设数据格式生成输入文本;
将所述输入文本输入大型语言模型,所述大型语言模型是根据源代码和所述源代码的单元测试案例进行微调训练得到的;以及
输出目标单元测试案例。
根据本公开的实施例,将所述输入文本输入所述大型语言模型之前,还包括根据源代码和所述源代码的单元测试案例进行微调训练得到所述大型语言模型,具体包括:
根据源代码和单元测试案例集生成目标训练样本;
将所述目标训练样本输入初始大型语言模型中进行微调训练;以及
确定目标大型语言模型的参数文件。
根据本公开的实施例,所述根据源代码和单元测试案例集生成目标训练样本,包括:
根据源代码和单元测试案例集生成初始训练样本;以及
对所述初始训练样本进行标注以生成目标训练样本。
根据本公开的实施例,所述根据源代码和单元测试案例集生成初始训练样本,包括:
确定源代码对应的单元测试案例,以生成代码文件对;
通过特征标签进行单元测试案例分类,以生成初始训练样本。
根据本公开的实施例,所述通过特征标签进行单元测试案例分类,以生成初始训练样本,包括:
根据单元测试案例的测试覆盖类型对单元测试案例进行分类,以生成初始训练样本。
根据本公开的实施例,所述对所述初始训练样本进行标注以生成目标训练样本,包括:
将分类后的初始训练样本按照测试对象和测试覆盖类型以预设数据标注格式进行标注,其中所述测试对象和测试覆盖类型存在映射关系。
本公开的第二方面提供了一种基于大型语言模型的单元测试案例生成装置,所述装置包括:
获取模块,用于响应于单元测试案例生成指令,获取用户输入的会话信息;
生成模块,用于将所述会话信息按照预设数据格式生成输入文本;
输入模块,用于将所述输入文本输入大型语言模型,所述大型语言模型是根据源代码和所述源代码的单元测试案例进行微调训练得到的;以及
输出模块,用于输出目标单元测试案例。
根据本公开的实施例,所述装置还包括:大型语言模型训练模块。
所述大型语言模型训练模块包括:目标训练样本生成模块、模型训练模块和评分确定参数模块。
目标训练样本生成模块,用于根据源代码和单元测试案例集生成目标训练样本;
模型训练模块,用于将所述目标训练样本输入初始大型语言模型中进行微调训练;以及
评分确定参数模块,用于评分确定目标大型语言模型的参数文件。
根据本公开的实施例,所述目标训练样本生成模块包括:初始训练样本生成子模块和目标训练样本生成子模块。
初始训练样本生成子模块,用于根据源代码和单元测试案例集生成初始训练样本;以及
目标训练样本生成子模块,用于对所述初始训练样本进行标注以生成目标训练样本。
根据本公开的实施例,所述初始训练样本生成子模块包括:第一生成单元和第二生成单元。
第一生成单元,用于确定源代码对应的单元测试案例,以生成代码文件对;
第二生成单元,用于通过特征标签进行单元测试案例分类,以生成初始训练样本。
根据本公开的实施例,所述第二生成单元包括:初始训练样本子单元,
初始训练样本子单元,用于根据单元测试案例的测试覆盖类型对单元测试案例进行分类,以生成初始训练样本。
根据本公开的实施例,所述目标训练样本生成子模块包括:数据标注单元。
数据标注单元,用于将分类后的初始训练样本按照测试对象和测试覆盖类型以预设数据标注格式进行标注,其中所述测试对象和测试覆盖类型存在映射关系。
本公开的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述基于大型语言模型的单元测试案例生成方法。
本公开的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述基于大型语言模型的单元测试案例生成方法。
本公开的第五方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述基于大型语言模型的单元测试案例生成方法。
通过本公开的实施例提供的一种基于大型语言模型的单元测试案例生成方法,通过将用户输入的会话信息按照预设数据格式生成输入文本,将所述输入文本输入大型语言模型,输出目标单元测试案例,所述大型语言模型是根据源代码和所述源代码的单元测试案例进行微调训练得到的,通过对大型语言模型进行微调训练,能够实现通过自然语言会话式针对源代码自动生成单元测试案例,提高测试效率。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的基于大型语言模型的单元测试案例生成装置的系统架构图;
图2示意性示出了根据本公开实施例的基于大型语言模型的单元测试案例生成方法、装置、设备、存储介质和程序产品的应用场景图;
图3示意性示出了根据本公开一实施例提供的大型语言模型的训练方法的流程图;
图4示意性示出了根据本公开一实施例提供的目标训练样本生成方法的流程图之一;
图5示意性示出了根据本公开一实施例提供的目标训练样本生成方法的流程图之二;
图6示意性示出了根据本公开一实施例提供的一种基于大型语言模型的单元测试案例生成方法的流程图;
图7示意性示出了根据本公开实施例的一种基于大型语言模型的单元测试案例生成装置的结构框图;以及
图8示意性示出了根据本公开实施例的适于实现基于大型语言模型的单元测试案例生成方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
基于上述技术问题,本公开的实施例提供了一种基于大型语言模型的单元测试案例生成方法,所述方法包括:响应于单元测试案例生成指令,获取用户输入的会话信息;将所述会话信息按照预设数据格式生成输入文本;将所述输入文本输入大型语言模型,所述大型语言模型是根据源代码和所述源代码的单元测试案例进行微调训练得到的;以及输出目标单元测试案例。
图1示意性示出了根据本公开实施例的基于大型语言模型的单元测试案例生成装置的系统架构图。如图1所示,本公开实施例提供的装置包括:源代码-单元测试案例匹配模块、单元测试案例分类模块、单元测试案例标注模块、代码大模型微调训练模块。其中,源代码-单元测试案例匹配模块用于通过特定的规则搜索代码库的源代码匹配单元测试案例,形成源代码-单元测试案例的代码文件对;单元测试案例分类模块通过一些特征标签将单元测试案例进行分类;单元测试案例标注模块根据前面分类的单元测试案例结合源代码,进行数据标注,将标注好的源代码-单元测试案例数据输入给大模型进行微调训练,最终得到新的checkpoint文件。
图2示意性示出了根据本公开实施例的基于大型语言模型的单元测试案例生成方法、装置、设备、存储介质和程序产品的应用场景图。
如图2所示,根据该实施例的应用场景200可以包括集群资源回收场景。网络204用以在终端设备201、202、203和服务器205之间提供通信链路的介质。网络204可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备201、202、203通过网络204与服务器205交互,以接收或发送消息等。终端设备201、202、203上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备201、202、203可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器205可以是后台服务器,该服务器可以部署由预先训练好的大型语言模型,并执行本公开实施例提供的基于大型语言模型的单元测试案例生成方法,接收用户通过终端设备201、202、203输入的会话信息,例如“请生成路径覆盖的单元测试案例”,大型语言模型输出相应的单元测试案例。
需要说明的是,本公开实施例所提供的基于大型语言模型的单元测试案例生成方法一般可以由服务器205执行。相应地,本公开实施例所提供的基于大型语言模型的单元测试案例生成装置一般可以设置于服务器205中。本公开实施例所提供的基于大型语言模型的单元测试案例生成方法也可以由不同于服务器205且能够与终端设备201、202、203和/或服务器205通信的服务器或服务器集群执行。相应地,本公开实施例所提供的基于大型语言模型的单元测试案例生成装置也可以设置于不同于服务器205且能够与终端设备201、202、203和/或服务器205通信的服务器或服务器集群中。
应该理解,图2中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
需要说明的是,本公开实施例确定的基于大型语言模型的单元测试案例生成方法和装置可用于人工智能技术领域,也可用于金融技术领域,还可用于除金融领域之外的任意领域,本公开实施例确定的基于大型语言模型的单元测试案例生成方法和装置的应用领域不做限定。
以下将基于图1描述的系统架构和图2描述的应用场景,通过图3~图6对本公开实施例的基于大型语言模型的单元测试案例生成方法进行详细描述。
在介绍本公开实施例的基于大型语言模型的单元测试案例生成方法之前,首先结合图3~图5介绍本公开实施例中大型语言模型的微调过程。图3示意性示出了根据本公开一实施例提供的大型语言模型的训练方法的流程图,图4示意性示出了根据本公开一实施例提供的目标训练样本生成方法的流程图之一,图5示意性示出了根据本公开一实施例提供的目标训练样本生成方法的流程图之二。如图3所示,包括操作S210~操作S230。
在操作S210,根据源代码和单元测试案例集生成目标训练样本。
如图4所示,操作S210包括操作S211和操作S212。
在操作S211,根据源代码和单元测试案例集生成初始训练样本。
如图5所示,操作S211包括操作S2111和操作S2112。
在操作S2111,确定源代码对应的单元测试案例,以生成代码文件对;
在操作S2112,通过特征标签进行单元测试案例分类,以生成初始训练样本。
根据本公开的实施例,根据单元测试案例的测试覆盖类型对单元测试案例进行分类,以生成初始训练样本。
一个示例中,通过特定的规则搜索代码库的源代码匹配单元测试案例,形成源代码-单元测试案例集的代码文件对,即确定源代码与对应单元测试案例的对应关系,一个源代码文件对应多个单元测试案例,由于代码文件名与单元测试案例文件名有重叠部分,单元测试案例文件名为代码文件名加统一前缀或统一后缀形成的单元测试案例名,用此规则进行搜索匹配文件对。例如代码文件为codeA.sql,单元测试案例代码文件为ut_codeA.sql。
一个示例中,为了提高单元测试案例训练数据的质量,通过特征标签对单元测试案例进行分类,具体的,根据单元测试案例的测试覆盖类型对单元测试案例进行分类,测试覆盖类型包括:语句覆盖、分支覆盖、条件覆盖、分支-条件覆盖、条件组合覆盖、路径覆盖等。
在操作S212,对所述初始训练样本进行标注以生成目标训练样本。
根据本公开的实施例,将分类后的初始训练样本按照测试对象和测试覆盖类型以预设数据标注格式进行标注,其中所述测试对象和测试覆盖类型存在映射关系。
一个示例中,找出源代码-单元测试案例代码文件对后,根据源代码的关键特征和单元测试案例的关键特征进行分类标注,具体的,源代码中,使用的编程语言类型、函数的类型、功能的类型等特征,例如圈复杂度、深度嵌套、调用次数等复杂性特征,例如控制流、数据流、函数调用关系、输入参数和预期输出等调用特征,或者采用某种算法计算出来的特征值等。单元测试案例的关键特征,具体包括测试函数的复杂度、数量、覆盖率、重复度、断言的类型等特征,或者采用某种算法计算出来的特征值等。通过标注,源代码-单元测试案例组合成对,且具有明确的指令,可以提高大模型微调训练的精度,降低大模型微调训练的loss值。
一个示例中,源代码中测试对象包括针对“函数”、“成员方法”、“全局变量”、“函数变量”、“逻辑分支”等的单元测试案例,测试对象和测试覆盖类型存在映射关系,其中针对“函数”测试类型通常包括但不限于语句覆盖、条件覆盖和条件组合覆盖;“成员方法”测试类型包括但不限于分支覆盖和路径覆盖;“全局变量”测试类型包括但不限于条件覆盖和条件组合覆盖;“函数变量”测试类型包括但不限于条件覆盖和条件组合覆盖;“逻辑分支”测试类型包括但不限于分支覆盖、分支-条件覆盖和路径覆盖。采用预设数据标注格式为:“<user>:源代码为XXXX,请针对这段代码写一个针对“测试对象xxx”的“测试xxx覆盖”的单元测试案例;<assistant>:单元测试案例为XXX”。经过预设数据标注格式标注后的数据作为大型语言模型的目标训练样本。
在操作S220,将所述目标训练样本输入初始大型语言模型中进行微调训练;以及
在操作S230,确定目标大型语言模型的参数文件。
一个示例中,在生成目标训练样本后,可以将目标训练样本数据分为训练集和测试集。训练集占目标训练样本数据的80%,用于训练初始大型语言模型中的参数和权重。将所述目标训练样本输入初始大型语言模型中进行微调训练得到一个新的模型,即为目标大型语言模型,模型文件就是checkpoint文件,该模型可以生成单元测试案例,通过输入代码文件,给一定的提示语,比如请生成路径覆盖的单元测试案例,然后该模型就可以生成路径覆盖的单元测试案例代码。
图6示意性示出了根据本公开一实施例提供的一种基于大型语言模型的单元测试案例生成方法的流程图。如图6所示,该实施例的基于大型语言模型的单元测试案例生成方法包括操作S310~操作S340,该方法可以由服务器或其他计算设备执行。
在操作S310,响应于单元测试案例生成指令,获取用户输入的会话信息;
在操作S320,将所述会话信息按照预设数据格式生成输入文本;
在操作S330,将所述输入文本输入大型语言模型,所述大型语言模型是根据源代码和所述源代码的单元测试案例进行微调训练得到的。
在操作S340,输出目标单元测试案例。
一个示例中,当接收到用户发起的单元测试案例生成指令后,获取用户输入的会话信息,该会话信息例如可以是请生成关于某代码的路径覆盖的单元测试案例,将该会话信息按照预设数据格式生成输入文本,其中预设数据格式与前述数据标注格式相同,“<user>:源代码为XXXX,请针对这段代码写一个针对xxx的路径覆盖的单元测试案例”。将输入文本输入大型语言模型,模型输出关于某代码的路径覆盖的单元测试案例。
通过本公开的实施例提供的一种基于大型语言模型的单元测试案例生成方法,通过训练微调出的代码大模型,可以用自然语言会话式地针对代码通过明确指令给出具有明确的测试覆盖类型的单元测试案例,提高了生成单元测试案例的有效性,提高测试效率。
基于上述基于大型语言模型的单元测试案例生成方法,本公开还提供了一种集群资源回收装置。以下将结合图7对该装置进行详细描述。
图7示意性示出了根据本公开实施例的一种基于大型语言模型的单元测试案例生成装置的结构框图。如图7所示,该实施例的基于大型语言模型的单元测试案例生成装置700包括获取模块710、生成模块720、输入模块730和输出模块740。
获取模块710,用于响应于单元测试案例生成指令,获取用户输入的会话信息。在一实施例中,获取模块710可以用于执行前文描述的操作S310,在此不再赘述。
生成模块720用于将所述会话信息按照预设数据格式生成输入文本。在一实施例中,生成模块720可以用于执行前文描述的操作S320,在此不再赘述。
输入模块730用于将所述输入文本输入大型语言模型,所述大型语言模型是根据源代码和所述源代码的单元测试案例进行微调训练得到的。在一实施例中,输入模块730可以用于执行前文描述的操作S330,在此不再赘述。
输出模块740用于输出目标单元测试案例。在一实施例中,输出模块740可以用于执行前文描述的操作S340,在此不再赘述。
根据本公开的实施例,所述装置还包括:大型语言模型训练模块。
所述大型语言模型训练模块包括:目标训练样本生成模块、模型训练模块和评分确定参数模块。
目标训练样本生成模块,用于根据源代码和单元测试案例集生成目标训练样本;
模型训练模块,用于将所述目标训练样本输入初始大型语言模型中进行微调训练;以及
评分确定参数模块,用于评分确定目标大型语言模型的参数文件。
根据本公开的实施例,所述目标训练样本生成模块包括:初始训练样本生成子模块和目标训练样本生成子模块。
初始训练样本生成子模块,用于根据源代码和单元测试案例集生成初始训练样本;以及
目标训练样本生成子模块,用于对所述初始训练样本进行标注以生成目标训练样本。
根据本公开的实施例,所述初始训练样本生成子模块包括:第一生成单元和第二生成单元。
第一生成单元,用于确定源代码对应的单元测试案例,以生成代码文件对;
第二生成单元,用于通过特征标签进行单元测试案例分类,以生成初始训练样本。
根据本公开的实施例,所述第二生成单元包括:初始训练样本子单元,
初始训练样本子单元,用于根据单元测试案例的测试覆盖类型对单元测试案例进行分类,以生成初始训练样本。
根据本公开的实施例,所述目标训练样本生成子模块包括:数据标注单元。
数据标注单元,用于将分类后的初始训练样本按照测试对象和测试覆盖类型以预设数据标注格式进行标注,其中所述测试对象和测试覆盖类型存在映射关系。
根据本公开的实施例,获取模块710、生成模块720、输入模块730和输出模块740中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,获取模块710、生成模块720、输入模块730和输出模块740中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块710、生成模块720、输入模块730和输出模块740中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图8示意性示出了根据本公开实施例的适于实现基于大型语言模型的单元测试案例生成方法的电子设备的方框图。
如图8所示,根据本公开实施例的电子设备900包括处理器901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 903中,存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备900还可以包括输入/输出(I/O)接口905,输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器909也根据需要连接至I/O接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器909上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的基于大型语言模型的单元测试案例生成方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访间存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例所提供的基于大型语言模型的单元测试案例生成方法。
在该计算机程序被处理器901执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分909被下载和安装,和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (10)
1.一种基于大型语言模型的单元测试案例生成方法,其特征在于,所述方法包括:
响应于单元测试案例生成指令,获取用户输入的会话信息;
将所述会话信息按照预设数据格式生成输入文本;
将所述输入文本输入大型语言模型,所述大型语言模型是根据源代码和所述源代码的单元测试案例进行微调训练得到的;以及
输出目标单元测试案例。
2.根据权利要求1所述的方法,其特征在于,将所述输入文本输入所述大型语言模型之前,还包括根据源代码和所述源代码的单元测试案例进行微调训练得到所述大型语言模型,具体包括:
根据源代码和单元测试案例集生成目标训练样本;
将所述目标训练样本输入初始大型语言模型中进行微调训练;以及
确定目标大型语言模型的参数文件。
3.根据权利要求2所述的方法,其特征在于,所述根据源代码和单元测试案例集生成目标训练样本,包括:
根据源代码和单元测试案例集生成初始训练样本;以及
对所述初始训练样本进行标注以生成目标训练样本。
4.根据权利要求3所述的方法,其特征在于,所述根据源代码和单元测试案例集生成初始训练样本,包括:
确定源代码对应的单元测试案例,以生成代码文件对;
通过特征标签进行单元测试案例分类,以生成初始训练样本。
5.根据权利要求4所述的方法,其特征在于,所述通过特征标签进行单元测试案例分类,以生成初始训练样本,包括:
根据单元测试案例的测试覆盖类型对单元测试案例进行分类,以生成初始训练样本。
6.根据权利要求5所述的方法,其特征在于,所述对所述初始训练样本进行标注以生成目标训练样本,包括:
将分类后的初始训练样本按照测试对象和测试覆盖类型以预设数据标注格式进行标注,其中所述测试对象和测试覆盖类型存在映射关系。
7.一种基于大型语言模型的单元测试案例生成装置,其特征在于,所述装置包括:
获取模块,用于响应于单元测试案例生成指令,获取用户输入的会话信息;
生成模块,用于将所述会话信息按照预设数据格式生成输入文本;
输入模块,用于将所述输入文本输入大型语言模型,所述大型语言模型是根据源代码和所述源代码的单元测试案例进行微调训练得到的;以及
输出模块,用于输出目标单元测试案例。
8.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~6中任一项所述的方法。
9.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~6中任一项所述的方法。
10.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311625707.7A CN117609049A (zh) | 2023-11-30 | 2023-11-30 | 基于大型语言模型的单元测试案例生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311625707.7A CN117609049A (zh) | 2023-11-30 | 2023-11-30 | 基于大型语言模型的单元测试案例生成方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117609049A true CN117609049A (zh) | 2024-02-27 |
Family
ID=89947864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311625707.7A Pending CN117609049A (zh) | 2023-11-30 | 2023-11-30 | 基于大型语言模型的单元测试案例生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117609049A (zh) |
-
2023
- 2023-11-30 CN CN202311625707.7A patent/CN117609049A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460513B (zh) | 用于生成点击率预测模型的方法和装置 | |
CN107491534B (zh) | 信息处理方法和装置 | |
CN110046254B (zh) | 用于生成模型的方法和装置 | |
CN109359194B (zh) | 用于预测信息类别的方法和装置 | |
CN111061956B (zh) | 用于生成信息的方法和装置 | |
CN111104482A (zh) | 数据处理方法和装置 | |
CN111340220B (zh) | 用于训练预测模型的方法和装置 | |
CN108121814B (zh) | 搜索结果排序模型生成方法和装置 | |
US10839168B2 (en) | Dynamic automation of pipeline creation | |
CN110674260A (zh) | 语义相似模型的训练方法、装置、电子设备和存储介质 | |
US20230351308A1 (en) | System and method for universal mapping of structured, semi-structured, and unstructured data for application migration in integration processes | |
CN112966701A (zh) | 目标分类的方法和装置 | |
CN116720489B (zh) | 页面填充方法及装置、电子设备和计算机可读存储介质 | |
CN116560661A (zh) | 代码优化方法、装置、设备及存储介质 | |
CN112947912A (zh) | 生成代码的方法、装置、电子设备和存储介质 | |
CN116048463A (zh) | 基于标签管理的需求项内容智能推荐方法及装置 | |
CN115905490A (zh) | 人机交互对话方法、装置以及设备 | |
CN115759292A (zh) | 模型的训练方法及装置、语义识别方法及装置、电子设备 | |
CN117609049A (zh) | 基于大型语言模型的单元测试案例生成方法及装置 | |
CN109857838B (zh) | 用于生成信息的方法和装置 | |
CN114385918A (zh) | 消息推送方法、装置、计算机设备及存储介质 | |
CN114036397A (zh) | 数据推荐方法、装置、电子设备和介质 | |
CN107657035B (zh) | 用于生成有向无环图的方法和装置 | |
CN111131354B (zh) | 用于生成信息的方法和装置 | |
CN111062201A (zh) | 用于处理信息的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |