LLMs pour la génération de tests unitaires C'est une excellente étude sur l'utilisation des LLM pour la génération de tests unitaires. Elle propose une taxonomie basée sur le cycle de vie de la génération de tests unitaires qui divise le processus en une phase générative pour créer des artefacts de test et une phase d'assurance qualité pour les affiner. Article : Apprenez à construire des agents IA efficaces dans notre académie :

Nouveau sondage : Agents IA pour la découverte scientifique. C'est l'un des domaines les plus passionnants à l'approche de 2026. (enregistrez celui-ci) Cette nouvelle recherche introduit SAGA (Agent Scientifique Autonome Évoluant vers des Objectifs), un cadre à deux niveaux où la boucle externe fait évoluer automatiquement les objectifs tandis que la boucle interne optimise les solutions. Pourquoi cet article est-il si important ? La découverte scientifique nécessite d'itérer sur ce qu'il faut optimiser, pas seulement sur comment optimiser. L'automatisation de cette boucle d'évolution des objectifs comble un vide qui a bloqué la plupart des recherches scientifiques récentes pilotées par l'IA. Au lieu de traiter la conception des objectifs comme une décision humaine unique, SAGA en fait un processus de découverte dynamique et autonome. Un planificateur basé sur un LLM propose de nouveaux objectifs. Un implémenteur les convertit en fonctions de notation exécutables. Un optimiseur recherche des solutions. Un analyste examine les résultats et identifie où les objectifs doivent être affinés. SAGA fonctionne à trois niveaux d'automatisation : > mode co-pilote, où les scientifiques collaborent à l'évolution des objectifs > semi-pilote où les scientifiques ne fournissent que des retours à l'analyste > pilote automatique où l'analyse et la planification sont entièrement automatisées Résultats dans quatre domaines scientifiques : Dans la conception d'antibiotiques pour K. pneumoniae résistant aux médicaments, SAGA atteint le meilleur équilibre entre activité biologique et similitude avec les médicaments. Alors que les références échouent soit à optimiser l'activité, soit à atteindre une activité élevée avec des molécules chimiquement irréalistes, SAGA ajoute dynamiquement des objectifs tels que des pénalités de synthétisabilité et des filtres de stabilité métabolique en fonction de l'analyse des tendances au niveau de la population. Dans la conception de matériaux, SAGA a trouvé 15 structures stables novatrices pour des aimants permanents avec un faible risque de chaîne d'approvisionnement dans 200 calculs DFT, surpassant MatterGen (11 structures). Pour les matériaux superdurs, plus de 90 % des cristaux proposés contiennent des éléments légers essentiels à la dureté, en accord avec les résultats expérimentaux. Dans la conception de séquences d'ADN, SAGA dépasse les références sur la conception d'activateurs spécifiques au type cellulaire jusqu'à 176 %, avec une amélioration de 48 % en spécificité et de 47 % en enrichissement de motifs. Dans la conception de processus chimiques, SAGA identifie que l'optimisation uniquement pour la pureté du produit conduit à des flux complexes inutilement, puis ajoute de manière autonome des objectifs pour les coûts en capital et l'intensité du flux de matériaux. Article : Apprenez à construire des agents IA efficaces dans notre académie :