LLM-uri pentru generarea testelor unitare Aceasta este o prezentare excelentă despre utilizarea LLM pentru generarea testelor unitare. Propune o taxonomie bazată pe ciclul de viață al testelor unitare, care împarte procesul într-o fază generativă pentru crearea artefactelor de testare și o fază de asigurare a calității pentru rafinarea lor. Hârtie: Află cum să construiești agenți AI eficienți în academia noastră:

NOU sondaj: Agenți AI pentru descoperire științifică. Aceasta este una dintre cele mai interesante zone care intră în 2026. (pune asta la favorite) Această nouă cercetare introduce SAGA (Agentul Științific Autonom de Evoluție a Scopurilor), un cadru pe două niveluri în care bucla externă evoluează automat obiectivele, în timp ce bucla internă optimizează soluțiile. De ce este această lucrare atât de importantă? Descoperirea științifică necesită iterații asupra a ceea ce să optimizezi, nu doar cum să optimizezi. Automatizarea acestui ciclu de evoluție obiectivă reduce un gol care a blocat majoritatea cercetărilor științifice recente bazate pe AI. În loc să trateze designul obiectiv ca pe o decizie umană unică, SAGA îl transformă într-un proces dinamic și autonom de descoperire. Un planificator bazat pe LLM propune noi obiective. Un implementator le transformă în funcții executabile de scor. Un optimizator caută soluții. Un analizator analizează rezultatele și identifică zonele unde obiectivele necesită rafinare. SAGA operează la trei niveluri de automatizare: > modul copilot, unde oamenii de știință colaborează la evoluția obiectivă > semi-pilot în care oamenii de știință oferă doar feedback analizatorului > pilot automat, unde atât analiza, cât și planificarea sunt complet automatizate Rezultate în patru domenii științifice: În proiectarea antibioticelor pentru K. pneumoniae rezistent la medicamente, SAGA atinge cel mai bun echilibru între activitatea biologică și asemănarea cu medicamentul. Deși liniile de bază fie nu optimizează activitatea, fie ating o activitate ridicată cu molecule chimic nerealiste, SAGA adaugă dinamic obiective precum penalizări de sinteză și filtre de stabilitate metabolică, bazate pe analiza tendințelor la nivel de populație. În proiectarea materialelor, SAGA a găsit 15 structuri stabile noi pentru magneți permanenți cu risc scăzut în lanțul de aprovizionare în 200 de calcule DFT, depășind MatterGen (11 structuri). Pentru materialele superdure, peste 90% dintre cristalele propuse conțin elemente ușoare esențiale pentru duritate, în concordanță cu descoperirile experimentale. În proiectarea secvențelor ADN, SAGA depășește liniile de bază pentru designul amplificatorilor specifice tipului celular cu până la 176%, cu o îmbunătățire de 48% a specificității și 47% a îmbogățirii motivelor. În proiectarea proceselor chimice, SAGA identifică că optimizarea doar pentru puritatea produsului duce la foi de flux inutil de complexe, apoi adaugă autonom obiective pentru costurile de capital și intensitatea fluxului materialului. Hârtie: Învață să construiești agenți AI eficienți în academia noastră: