Исследователи МГУ им. М.В. Ломоносова представили новый метод улучшения структуры юнит-тестов, сгенерированных с помощью искусственного интеллекта. Предлагается использовать обучение с подкреплением, чтобы ИИ-модель избегала типичных дефектов. Для этого был собран датасет на основе реальных проектов на языке Python, включающий методы программ и соответствующие им юнит-тесты. Для каждого набора тестов с помощью инструментов статического анализа была получена информация о наличии дефектов дизайна.

Как отмечают авторы, ИИ-модели в предложенном подходе передают не общую оценку результата, а конкретный сигнал о том, какие элементы структуры кода нужно улучшить. Она получает штраф, если статический анализатор обнаруживает дефект дизайна, и вознаграждение за чистый тест.

Результаты работы представлены на научной конференции «Ломоносовские чтения».

В МГУ им. М.В. Ломоносова в январе 2026 года предложили новый подход к формальной верификации моделей. Он проверяет их надежность и устойчивость при выполнении критически важных задач.