177 articoli
Il paper presenta Once4All, un nuovo framework di fuzzing guidato da LLM che sintetizza generatori di termini riutilizzabili basati su grammatiche estratte dalla documentazione per produrre formule SMT sintatticamente valide con un unico investimento computazionale, identificando con successo 43 bug nei solver Z3 e cvc5.
Questo studio evidenzia un disallineamento tra la ricerca accademica, le priorità industriali e il comportamento osservato dei modelli linguistici riguardo alle caratteristiche di qualità non funzionale del codice generato, sottolineando la necessità di integrare meccanismi di garanzia della qualità nei processi di generazione del codice.
Il paper presenta DIVE, un metodo che inverte l'ordine di sintesi dei compiti agenziali eseguendo prima strumenti reali per garantire diversità strutturale, ottenendo così un miglioramento significativo nella generalizzazione fuori distribuzione rispetto ai metodi basati sulla semplice quantità di dati.
Il documento introduce CR-Bench e CR-Evaluator, un dataset e una pipeline di valutazione dettagliata per analizzare l'utilità reale degli agenti di revisione del codice basati su LLM, evidenziando il compromesso critico tra la risoluzione delle problematiche e la generazione di falsi positivi.
Questo articolo presenta Questions-of-Thoughts (QoT), un nuovo metodo di ragionamento agente guidato dalla qualità che trasforma gli obiettivi utente in sequenze di passi ingegneristici e auto-verifiche per migliorare la progettazione software assistita da LLM, dimostrando guadagni significativi in termini di scalabilità, completezza, modularità e sicurezza, specialmente nei modelli più grandi e nei domini complessi.
Il documento presenta l'iSWE Agent, un sistema automatizzato che combina tecniche basate su regole e modelli linguistici per risolvere problemi nei repository di codice Java, ottenendo risultati all'avanguardia su benchmark specifici.
Questo articolo propone un quadro sistematico per l'operazionalizzazione delle norme sociali, legali, etiche, empatiche e culturali (SLEEC) negli agenti AI, colmando il divario tra principi astratti e requisiti concreti verificabili per garantire un allineamento dimostrabile ai valori umani.
Questo lavoro presenta un metodo automatizzato e a basso costo per generare ambienti di apprendimento per rinforzo ad alte prestazioni, semanticamente equivalenti e verificati, che offrono accelerazioni fino a 22.320 volte rispetto alle implementazioni di riferimento esistenti.
Questo articolo presenta un corso online basato su un simulatore interattivo di circuiti quantistici che, grazie al feedback immediato e alla valutazione automatica, rende l'apprendimento dell'informatica quantistica accessibile a studenti di ogni background.
Questo paper presenta ScenarioFuzz, un metodo innovativo di fuzz testing basato su scenari storici e reti neurali che, senza ricorrere a scenari predefiniti, riduce i costi temporali del 60,3% e raddoppia la scoperta di errori, identificando 54 categorie di scenari ad alto rischio e 58 bug in sei sistemi di guida autonoma.
LAMBDA è un sistema open-source e privo di codice basato su modelli linguistici di grandi dimensioni che utilizza agenti multipli (programmatore e ispettore) e un'interfaccia utente per facilitare l'analisi dei dati attraverso l'integrazione tra intelligenza umana e artificiale.
Questo studio utilizza un approccio di ingegneria dei sistemi basato su modelli, impiegando la Modellazione della Variabilità Ortogonale e il linguaggio SysML, per analizzare l'evoluzione delle architetture di rete per la distribuzione quantistica di chiavi e proporre un framework guidato dalla variabilità che ne faciliti lo sviluppo sistematico e la riutilizzabilità futura.
Questo paper propone e valida un nuovo modello di agenti BDI in tempo reale, che integra la gestione esplicita dei vincoli temporali e delle risorse nel ciclo di controllo per superare i limiti di reattività delle implementazioni esistenti, dimostrandone l'efficacia in un ambiente di gioco video.
Il paper presenta AUTOTEE, un approccio basato su modelli linguistici di grandi dimensioni (LLM) che automatizza l'identificazione, la trasformazione e il porting di funzioni sensibili in ambienti di esecuzione attendibili (TEE), riducendo la necessità di intervento manuale e ottenendo elevate prestazioni nei linguaggi Java e Python.
Questo studio presenta un nuovo framework di valutazione su larga scala che, attraverso l'iniezione di mutazioni semantiche, dimostra come la capacità dei Large Language Models di localizzare i difetti sia spesso fragile e dipenda da indizi sintattici irrilevanti piuttosto che da una profonda comprensione della semantica del programma.
Il paper presenta MioHint, un approccio innovativo di testing API white-box che supera i limiti delle tecniche esistenti combinando l'analisi statica per la selezione del codice rilevante con le capacità di comprensione dei Large Language Model, ottenendo così significativi miglioramenti nella copertura del codice e nell'accuratezza della mutazione su servizi REST reali.
Questo articolo presenta RVSG, un approccio di testing basato su modelli linguistici visivi sviluppato con PAL Robotics per generare scenari di interazione umana che violano i requisiti di sicurezza, permettendo di valutare in modo sicuro ed efficace il comportamento di robot mobili autonomi industriali in ambienti simulati.
Il paper introduce RefAgent, un framework multi-agente basato su LLM per il refactoring automatico del software che, attraverso la pianificazione, l'esecuzione e l'iterazione autonoma, dimostra di migliorare significativamente la qualità del codice e la capacità di identificare opportunità di refactoring rispetto agli approcci tradizionali.
Questo abstract esteso propone e definisce formalmente i "sistemi informativi auto-codificanti", una nuova categoria di intelligenza artificiale agente in grado di adattare dinamicamente la propria struttura e comportamento generando, testando e ridistribuendo autonomamente il proprio codice sorgente a runtime per ridurre i tempi di commercializzazione delle nuove funzionalità.
Uno studio con tracciamento oculare su 32 novizi Java rivela che, sebbene l'estrazione dei metodi migliori le prestazioni per compiti complessi, per attività semplici peggiora la comprensione aumentando il carico cognitivo e i tempi di esecuzione, suggerendo cautela nell'insegnamento della modularizzazione ai principianti.