苹果发布三项AI研究：实现更高效代码测试与漏洞修复

苹果在其机器学习博客发布三项重磅研究，聚焦人工智能在软件质量工程（QE）领域的突破性应用，涵盖测试自动化、代码漏洞修复与预测等关键环节，为行业效率提升提供全新解决方案。

苹果在此次新研究中，一项聚焦自主AI智能体在QE测试中的应用，另外两项则探索经训练后AI智能体对代码漏洞的修复与预测能力。

基于混合向量图与多智能体编排的软件测试智能体RAG框架

研究中，苹果研究员指出传统QE测试存在明显局限——质量工程师需耗费30%-40%的时间手动制定测试计划、用例和自动化脚本。

对此，苹果提出智能体RAG框架解决方案，通过六个分工明确的AI智能体（如合规性保障、历史测试审查、冲突解决等）协同作业，替代人工完成测试全流程。

该方案在准确率（94.8% vs 基线65%）、效率（时间减少85%）和缺陷检测能力（提升35%）上实现显著突破，同时保障测试文档全生命周期可追溯。

利用SWE-Gym训练软件工程智能体与验证器

推出首个真实场景软件工程训练环境SWE-Gym。

该环境整合2438项源自GitHub热门Python代码库的真实任务，让基于语言模型的AI智能体在模拟场景中学习解决代码漏洞。

经训练的模型任务解决率达72.5%，衍生的简化版SWE-Gym Lite更适用于快速原型开发，实证结果充分验证其有效性，未来有望大幅提升各行业开发者生产力。

使用自动编码器Transformer模型进行软件缺陷预测

针对人工测试耗时低效、易出错的痛点，提出ADE-QVAET模型。

该模型融合自适应差分进化与量子变分自动编码器-Transformer技术，结合自适应降噪增强机制，可在代码开发早期精准识别缺陷，解决传统AI缺陷预防方法“事后补救”的弊端。

研究指出，未来结合深度学习与强化学习，该技术或能实现软件问题的“未卜先知”。

目前苹果尚未明确将这些研究成果应用于现有产品，但Xcode 26已支持第三方AI账户，其自主研发的代码修正模型落地可能性极大。（转自AI普瑞斯）

更多AI资讯请点击：http://www.aipress.com.cn/