في عالم البرمجيات المتسارع، تأتي نماذج اللغات الضخمة (Large Language Models - LLMs) كسلاح جديد لتعزيز جودة البرمجيات من خلال توليد اختبارات الانحدار بشكل آلي. في دراسة منشورة على موقع arXiv، تم تناول فعالية هذه النماذج في سياق برمجة مثل المترجمات (compilers) والمفسرات (interpreters) وغيرها.

تقوم هذه النماذج بترجمة معلومات التغييرات البرمجية المقدمة من المطورين إلى اختبارات قادرة على كشف الأخطاء بشكل فعال. عند تعديل أي جزء من الكود، تقوم الأنظمة الحديثة بتشغيل نموذج LLM لفترة قصيرة، ما يسمح لها بتوليد اختبارات انحدار تمس النقاط التي تم تغييرها في الكود.

تم اختبار 72 تغييرًا على مجموعة من المشاريع البرمجية الشهيرة مثل Mujs وLibxml2 وPHP باستخدام نموذج مبتكر يسمى Cleverest. أظهرت النتائج أن Cleverest تمكن من تحديد الأخطاء في أقل من دقيقتين، وهو ما يفوق أداء فزر (fuzzer) تقني معروف، حيث احتاج الأخير إلى 24 ساعة للحصول على نتائج مماثلة.

يعتبر الدمج بين اختبارات Cleverest واستخدامها كقاعدة للبذور خلال الفحص الضبابي التوجيهي يجعله فعالًا بشكل مزدوج، وهذا ما أطلقنا عليه ClevFuzz. حظي 연구 على الرسائل الملتزمة التي تعبر عن التغييرات بشكل أوضح بتركيز خاص، حيث أثبت الباحثون أن تحسين صيغ تلك الرسائل له تأثير كبير على فعالية الاختبارات.

إذا كنت مطورًا أو مهتمًا في مجال الذكاء الاصطناعي، فهذه النتائج تجعلنا نتساءل: كيف يمكن أن تُحدث هذه التقنيات ثورة في مجال الهندسة البرمجية؟