大模型下的软件质量保障专题前言.pdfVIP

软件学报

ISSN

1000-9825,

CODEN

RUXUEWE-mail:

jos@

2025,36(6):2401−2403

[doi:

10.13328/ki.jos.007331]

[CSTR:

32375.14.jos.007331]

©中国科学院软件研究所版权所有.Tel:

+86-10

*

大模型下的软件质量保障专题前言

12345

王

赞,

王

莹,

陈碧欢,

姚

远,

张敏灵

1(天津大学

智能与计算学部,

天津

300350)

2(东北大学

软件学院,

辽宁

沈阳

110169)

3(复旦大学

计算机科学技术学院,

上海

200438)

4(南京大学

计算机学院,

江苏

南京

210023)

5(东南大学

计算机科学与工程学院,

江苏

南京

211189)

通信作者:

王赞,

E-mail:

wangzan@

中文引用格式:

王赞,

王莹,

陈碧欢,

姚远,

张敏灵.

大模型下的软件质量保障专题前言.

软件学报,

2025,

36(6):

2401–2403.

http://

/1000-9825/7331.htm

近年来,

随着深度学习技术的飞速发展,

基于大规模预训练的语言模型(large

language

model,

LLM)在自然语

言处理领域取得了前所未有的突破,

并且在代码生成、软件测试、程序分析与优化等软件工程任务中展现出强大

的潜力与广泛的应用前景.

作为具备深度语义理解与生成能力的通用人工智能模型,

大语言模型的崛起正在重新

定义传统的软件质量保障方法,

为软件工程的自动化和智能化注入了新的活力.

同时,

软件质量保障作为确保软件

系统在功能性、性能、可靠性和安全性等方面满足设计规范和用户期望的关键环节,

其传统方法难以适应现代软

件系统日益增长的规模与复杂性.

特别是在开源软件、企业级应用和芯片设计程序等高度复杂的应用场景中,

传

统方法的自动化与智能化程度难以满足实际需求.

在这一背景下,

大语言模型赋能的软件质量保障研究逐渐成为学术界与工业界备受瞩目的研究方向.

大语言

模型不仅具备强大的代码理解与生成能力,

且在软件测试、代码优化、代码翻译等关键任务中取得显著效果.

其

大规模预训练范式和高扩展性,

使其成为构建智能化软件质量保障工具的重要技术支撑.

然而,

如何有效地将大语

言模型与现有的软件工程实践深度融合,

构建面向实际应用的智能化系统,

依然存在诸多挑战.

基于上述背景,

本专题聚焦于“大模型赋能的软件质量保障(LLM4QA)”领域,

旨在探讨大语言模型在软件质

量保障中的前沿研究与最新进展,

关注大模型应用的技术原理、系统实现与实验评估,

展示多样化的研究成果与

创新方案,

探索大模型在促进软件开发和维护过程中的潜力与前景.

本专题特别关注以下几个关键研究方向:

大语

言模型在软件测试技术、代码优化与重构技术、代码翻译技术、代码生成中的许可证合规风险评估,

以及多智能

体协作等任务中的应用.

希望通过本专题的研究成果,

促进大语言模型与软件质量保障领域的深度融合,

推动理论

与实践的协同创新,

为软件工程的自动化与智能化发展提供参考与借鉴.

本专题公开征文,

共收到投稿24篇.

所有稿件均通过形式审查,

涵盖大语言模型在软件质量保障中的应用与

实践等方面.

经过特邀编辑的初审与复审、CCF

ChinaSoft

2024会议宣读以及终审环节,

历时6个月,

共有8篇高

质量论文入选本专题.

这些论文从多个视角探讨了大语言模型在软件质量保障中的应用,

主要内容分为以下5个

主题.

(1)

大模型赋能的软件测试方法

《基于大语言模型的模糊测试研究综述》对现有的基于大语言模型的模糊测试技术的研究发展现状进行了

全面的分析和总结,

概述了模糊测试的整体流程和模糊测试研究中常用的大语言模型相关技术,

讨论了大模型时

代之前的基于深度学习的模糊测试方法的局限性,