程序结构感知语言模型：超越文本语义的有针对性的软件测试

用于测试用例生成的 大语言模型 的最新进展通过即时工程突变提高了分支覆盖率。然而，它们仍然缺乏将模型转向特定高风险执行分支的原则性机制，限制了它们发现细微错误和安全漏洞的有效性。我们提出了 GLMTest，这是第一个用于目标测试用例生成的程序结构感知 LLM 框架，它使用图神经网络和语言模型无缝集成代码属性图和代码语义，以在执行分支上条件测试用例生成。这种结构化条件可以生成可控且针对分支的测试用例，从而潜在地增强错误和安全风险发现。实际项目的实验表明，与最先进的 LLM（即 Claude-Sonnet-4.5 和 GPT-4o-mini）相比，基于 Qwen2.5-Coder-7B-Instruct 模型构建的 GLMTest 在 TestGenEval 基准上将分支准确率从 27.4% 提高到 50.2%。