LLM для генерации модульных тестов Это отличный обзор использования LLM для генерации модульных тестов. Он предлагает таксономию, основанную на жизненном цикле генерации модульных тестов, которая делит процесс на генеративную фазу для создания тестовых артефактов и фазу обеспечения качества для их доработки. Статья: Узнайте, как создавать эффективные AI-агенты в нашей академии:

НОВЫЙ опрос: AI-агенты для научных открытий. Это одна из самых захватывающих областей на 2026 год. (сохраните это) Это новое исследование представляет SAGA (Научный Автономный Агент, Эволюционирующий по Целям), двухуровневую структуру, где внешний цикл автоматически эволюционирует цели, в то время как внутренний цикл оптимизирует решения. Почему эта работа так важна? Научное открытие требует итераций по тому, что оптимизировать, а не только как оптимизировать. Автоматизация этого цикла эволюции целей закрывает пробел, который стал узким местом для большинства недавних исследований в области науки, управляемых AI. Вместо того чтобы рассматривать проектирование целей как одноразовое человеческое решение, SAGA делает это динамическим, автономным процессом открытия. Планировщик на основе LLM предлагает новые цели. Исполнитель преобразует их в исполняемые функции оценки. Оптимизатор ищет решения. Анализатор изучает результаты и определяет, где цели нуждаются в уточнении. SAGA работает на трех уровнях автоматизации: > режим со-пилота, где ученые сотрудничают в эволюции целей > полупилотный режим, где ученые только предоставляют обратную связь анализатору > автопилот, где как анализ, так и планирование полностью автоматизированы Результаты в четырех научных областях: В дизайне антибиотиков для устойчивого к лекарствам K. pneumoniae SAGA достигает лучшего баланса между биологической активностью и лекарственной пригодностью. В то время как базовые модели либо не оптимизируют активность, либо достигают высокой активности с химически нереалистичными молекулами, SAGA динамически добавляет цели, такие как штрафы за синтезируемость и фильтры метаболической стабильности, основываясь на анализе тенденций на уровне популяции. В дизайне материалов SAGA нашел 15 новых стабильных структур для постоянных магнитов с низким риском в цепочке поставок в рамках 200 расчетов DFT, превзойдя MatterGen (11 структур). Для сверхтвердых материалов более 90% предложенных кристаллов содержат легкие элементы, необходимые для твердости, что соответствует экспериментальным данным. В дизайне последовательностей ДНК SAGA превосходит базовые модели по проектированию специфичных для клеточного типа усилителей до 176%, с улучшением специфичности на 48% и обогащением мотивов на 47%. В дизайне химических процессов SAGA выявляет, что оптимизация только по чистоте продукта приводит к ненужной сложности потоков, затем автономно добавляет цели по капитальным затратам и интенсивности материального потока. Статья: Научитесь создавать эффективные AI-агенты в нашей академии: