基于路径约束分片驱动大语言模型的单元测试生成方法

doi:10.11772/j.issn.1001-9081.2025091085

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (10): 3298-3306.DOI: 10.11772/j.issn.1001-9081.2025091085

• 计算机软件技术 • 上一篇

基于路径约束分片驱动大语言模型的单元测试生成方法

徐晓龙¹, 王俊峰¹^,²(), 吴鹏³, 曹先省⁴

^1.四川大学计算机学院，成都 610065
^2.视觉合成图形图像技术国防重点学科实验室（四川大学），成都 610065
^3.四川旅游学院人工智能学院，成都 610100
^4.四川大学网络空间安全学院，成都 610207

收稿日期:2025-09-19 修回日期:2025-09-30 接受日期:2025-10-11 发布日期:2025-10-30 出版日期:2026-10-10
通讯作者: 王俊峰
作者简介:徐晓龙（2000—），男，新疆乌鲁木齐人，硕士研究生，主要研究方向：大语言模型、测试用例自动生成
吴鹏（1982—），男，四川成都人，讲师，博士，主要研究方向：软件供应链安全、软件测试
曹先省（1991—），男，山东菏泽人，博士研究生，主要研究方向：源代码脆弱性分析、深度学习。
基金资助:
国家自然科学基金资助项目(U24B20147);国家自然科学基金资助项目(U2133208);四川省重点研发计划项目(2024ZHCG0195);四川省重点研发计划项目(2024ZDZX0044);四川省重点研发计划项目(2024ZYD0269)

Unit test generation method based on path constraint sharding driven large language model

Xiaolong XU¹, Junfeng WANG¹^,²(), Peng WU³, Xiansheng CAO⁴

^1.College of Computer Science，Sichuan University，Chengdu Sichuan 610065，China
^2.National Key Laboratory of Fundamental Science on Synthetic Vision （Sichuan University），Chengdu Sichuan 610065，China
^3.School of Artificial Intelligence，Sichuan Tourism University，Chengdu Sichuan 610100，China
^4.School of Cyber Science and Engineering，Sichuan University，Chengdu Sichuan 610207，China

Received:2025-09-19 Revised:2025-09-30 Accepted:2025-10-11 Online:2025-10-30 Published:2026-10-10
Contact: Junfeng WANG
About author:XU Xiaolong， born in 2000， M. S. candidate. His research interests include large language models， automated test case generation.
WU Peng， born in 1982， Ph. D.， lecturer. His research interests include software supply chain security， software testing.
CAO Xiansheng， born in 1991， Ph. D. candidate. His research interests include source code vulnerability analysis， deep learning.
Supported by:
National Natural Science Foundation of China(U24B20147);Key Research and Development Program of Sichuan Province(2024ZHCG0195)

摘要/Abstract

摘要：

自动化单元测试生成是现代化软件开发提升开发效率、确保软件质量保障的关键，大语言模型（LLM）因具备良好的代码理解能力被应用于测试用例自动生成，但在处理复杂函数时面临深层分支路径难覆盖等问题。因此，本文提出PyULLM方法，将路径约束分片与LLM的生成能力有机结合以解决上述难题。具体地：通过前序遍历抽象语法树，系统化收集所有的路径约束；基于此，建立细粒度的代码行?路径约束映射关系；根据得到的映射关系，对路径约束集合进行智能化分片。这种分片处理机制使LLM能聚焦于特定路径约束，可以显著提升复杂场景下生成单元测试用例的覆盖率。实验结果表明，相较于SOTA（State Of The Arts）工具Pynguin，PyULLM的行覆盖率（LC）和分支覆盖率（BC）分别提升了24.16和26.61个百分点；相较于当前先进的CodaMosa方法，PyULLM的LC和BC分别提升了19.06和21.72个百分点。可见，PyULLM能为复杂函数有效生成单元测试用例。

关键词: 单元测试生成, 大语言模型, 路径约束, 测试与分析, 测试覆盖率

Abstract:

Automated unit test generation is the key to modern software development to improve development efficiency and ensure software quality. Large Language Models （LLMs） are applied to automated test case generation because of their good code understanding ability. However， when dealing with complex functions， it is difficult for LLMs to cover deep branch paths. Therefore， PyULLM method was proposed， which combined path constraint sharding with LLM generation ability to solve the above problems. Specifically， all the path constraints were collected systematically by preorder traversal of the abstract syntax tree. On this basis， a fine-grained relationship between code lines and path constraints was established. According to the obtained relationship， intelligent partitioning of path constraint set was performed. LLM was able to focus on specific path constraints by this partitioning mechanism， which improved the coverage of generated unit test cases in complex scenarios significantly. Experimental results show that compared with the SOTA（State Of The Arts） tool Pynguin， PyULLM method improves the Line Coverage ratio （LC） by 24.16 percentage points and the Branch Coverage ratio （BC） by 26.61 percentage points； compared with the current SOTA method CodaMosa， PyULLM method has the LC improved by 19.06 percentage points， and the BC increased by 21.72 percentage points. It can be seen that PyULLM method can generate unit test cases for complex functions effectively.

Key words: unit test generation, Large Language Model (LLM), path constraint, testing and analysis, test coverage

中图分类号:

TP18

徐晓龙, 王俊峰, 吴鹏, 曹先省. 基于路径约束分片驱动大语言模型的单元测试生成方法[J]. 计算机应用, 2026, 46(10): 3298-3306.

Xiaolong XU, Junfeng WANG, Peng WU, Xiansheng CAO. Unit test generation method based on path constraint sharding driven large language model[J]. Journal of Computer Applications, 2026, 46(10): 3298-3306.

图/表 12

参考文献 45

[1]	Health RTI， Social， and Research Economics. The economic impacts of inadequate infrastructure for software testing［R/OL］. （2002-05）［2025-07-03］..
[2]	陆俊豪. 基于符号执行的单元测试用例自动生成的覆盖率优化研究［D］. 深圳：深圳大学， 2023.
	Lu Junhao. Research on coverage optimization of automatic generation of unit test cases based on symbolic execution［D］. Shenzhen： Shenzhen University， 2023.
[3]	傅瑞华，李凡，王俊峰. 基于损失函数的单元测试用例自动化生成算法研究与实现［J］. 四川大学学报（自然科学版）， 2022， 59（3）： 51-58.
	Fu Ruihua， Li Fan， Wang Junfeng. Research and implementation of an algorithm for automatic generation for unit test cases based on loss function［J］. Journal of Sichuan University （Natural Science Edition）， 2022， 59（3）： 51-58.
[4]	Lukaszuk S， Fraser G. Pynguin： automated unit test generation for Python［C］// ICSE-Companion 2022. New York： ACM， 2022： 168-172.
[5]	Pacheco C， Ernst M D. Randoop： feedback-directed random testing for Java［C］// OOPSLA 2007. New York： ACM， 2007： 815-816.
[6]	Fraser G， Arcuri A. EvoSuite： automatic test suite generation for object-oriented software［C］// ESEC/FSE 2011. New York： ACM， 2011： 416-419.
[7]	Lemieux C， Inala J P， Lahiri S K， et al. CodaMosa： escaping coverage plateaus in test generation with pre-trained large language models［C］// ICSE 2023. Piscataway： IEEE， 2023： 919-931.
[8]	Chen Y， Hu Z， Zhi C， et al. ChatUniTest： a framework for LLM-based test generation［C］// FSE 2024. New York： ACM， 2024： 572-576.
[9]	香佳宏，徐霄阳，孔繁初，等. 大模型在软件缺陷检测与修复的应用发展综述［J］. 软件学报， 2025， 36（4）： 1489-1529.
	Xiang Jiahong， Xu Xiaoyang， Kong Fanchu， et al. Survey on application and development of large language models in software defect detection and repair［J］. Journal of Software， 2025， 36（4）： 1489-1529.
[10]	Cadar C， Dunbar D， Engler D R. KLEE： unassisted and automatic generation of high-coverage tests for complex systems programs［C］// OSDI 2008. Berkeley： USENIX Association， 2008， 8： 209-224.
[11]	Chipounov V， Kuznetsov V， Candea G. The S2E platform： design， implementation， and applications［J］. ACM Transactions on Computer Systems， 2012， 30（1）： No.2.
[12]	Rawat S， Jain V， Kumar A， et al. VUzzer： application-aware evolutionary fuzzing［EB/OL］. （2017）［2025-07-03］..
[13]	Hu X， Liu Z， Xia X， et al. Identify and update test cases when production code changes： a Transformer-based approach［C］// ASE 2023. Piscataway： IEEE， 2023： 1111-1122.
[14]	Rao N， Jain K， Alon U， et al. CAT-LM training language models on aligned code and tests［C］// ASE 2023. Piscataway： IEEE， 2023： 409-420.
[15]	Alagarsamy S， Tantithamthavorn C， Aleti A. A3Test： assertion-augmented automated test case generation［J］. Information and Software Technology， 2024， 176： No.107565.
[16]	Yang Y， Xia X， Lo D， et al. A survey on deep learning for software engineering［J］. ACM Computing Surveys， 2022， 54（10s）： No.206.
[17]	Chen M， Tworek J， Jun H， et al. Evaluating large language models trained on code［PP/OL］. V2. arXiv （2021-07-14）［2025-07-10］..
[18]	Wang J， Huang Y， Chen C， et al. Software testing with large language models： survey， landscape， and vision［J］. IEEE Transactions on Software Engineering， 2024， 50（4）： 911-936.
[19]	Yuan Z， Liu M， Ding S， et al. Evaluating and improving ChatGPT for unit test generation［J］. Proceedings of the ACM on Software Engineering， 2024， 1（FSE）： No.76.
[20]	Baars A， Harman M， Hassoun Y， et al. Symbolic search-based testing［C］// ASE 2011. Piscataway： IEEE， 2011： 53-62.
[21]	Tillmann N， de Halleux J. Pex-white box test generation for. NET［C］// TAP 2008， LNCS 4966. Berlin： Springer， 2008： 134-153.
[22]	Poeplau S， Francillon A. Symbolic execution with SymCC： don't interpret， compile！［C］// USENIX Security 2020. Berkeley： USENIX Association， 2020： 181-198.
[23]	Fioraldi A， Mantovani A， Maier D， et al. Dissecting American Fuzzy Lop： a FuzzBench evaluation［J］. ACM Transactions on Software Engineering and Methodology， 2023， 32（2）： No.52.
[24]	Tufano M， Drain D， Svyatkovskiy A， et al. Unit test case generation with Transformers and focal context［PP/OL］. V2. arXiv （2021-05-20）［2025-05-19］..
[25]	Wang Z， Liu K， Li G， et al. HITS： high-coverage LLM-based unit test generation via method slicing［C］// ASE 2024. New York： ACM， 2024： 1258-1268.
[26]	Wei J， Wang X， Schuurmans D， et al. Chain-of-thought prompting elicits reasoning in large language models［C］// NeurIPS 2022. Red Hook： Curran Associates Inc.， 2022： 24824-24837.
[27]	Zhang Z， Zhang A， Li M， et al. Automatic chain of thought prompting in large language models［PP/OL］. arXiv （2022-10-07）［2025-06-04］..
[28]	Panichella A， Kifetew F M， Tonella P. Automated test case generation as a many-objective optimisation problem with dynamic selection of the targets［J］. IEEE Transactions on Software Engineering， 2018， 44（2）： 122-158.
[29]	Ryan G， Jain S， Shang M， et al. Code-aware prompting： a study of coverage-guided test generation in regression setting using LLM［J］. Proceedings of the ACM on Software Engineering， 2024， 1（FSE）： No.43.
[30]	Jain S M. Introduction to Transformers for NLP with the Hugging Face library and models to solve problems［M］. Berkeley： Apress， 2022.
[31]	Zhu Q， Guo D， Shao Z， et al. DeepSeek-Coder-V2： breaking the barrier of closed-source models in code intelligence［PP/OL］. arXiv （2024-06-17）［2025-07-03］..
[32]	Imambi S， Prakash K B， Kanagachidambaresan G R. PyTorch［M］// Prakash K B， Kanagachidambaresan G R. Programming with TensorFlow： solution for edge computing applications， EAISICC. Cham： Springer， 2021： 87-104.
[33]	De Leon F， Gómez P， Martinez-Velasco J A， et al. Transformers［M］// Martinez-Velasco J A. Power system transients. Boca Raton， FL： CRC Press， 2010： 177-250.
[34]	Kwon W， Li Z， Zhuang S， et al. Efficient memory management for large language model serving with PagedAttention［C］// SOSP 2023. New York： ACM， 2023： 611-626.
[35]	Xia C S， Paltenghi M， Le Tian J， et al. Fuzz4All： universal fuzzing with large language models［C］// ICSE 2024. New York： ACM， 2024： No.126.
[36]	Yang C， Deng Y， Lu R， et al. WhiteFox： white-box compiler fuzzing empowered by large language models［J］. Proceedings of the ACM on Programming Languages， 2024， 8（OOPSLA2）： No.296.
[37]	Widyasari R， Sim S Q， Lok C， et al. BugsinPy： a database of existing bugs in Python programs to enable controlled testing and debugging studies［C］// ESEC/FSE 2020. New York： ACM， 2020： 1556-1560.
[38]	Arcuri A. Many Independent Objective （MIO） algorithm for test suite generation［C］// SSBSE 2017， LNCS 10452. Cham： Springer， 2017： 3-17.
[39]	Arcuri A. Test suite generation with the Many Independent Objective （MIO） algorithm［J］. Information and Software Technology， 2018， 104： 195-206.
[40]	Yang L， Yang C， Gao S， et al. On the evaluation of large language models in unit test generation［C］// ASE 2024. New York： ACM， 2024： 1607-1619.
[41]	Li J， Li G， Li Y， et al. Structured chain-of-thought prompting for code generation［J］. ACM Transactions on Software Engineering and Methodology， 2025， 34（2）： No.37.
[42]	Chia Y K， Chen G， Tuan L A， et al. Contrastive chain-of-thought prompting［PP/OL］. arXiv （2023-11-15）［2025-05-19］..
[43]	Madaan A， Tandon N， Gupta P， et al. Self-Refine： iterative refinement with self-feedback［C］// NeurIPS 2023. Red Hook： Curran Associates Inc.， 2023： 46534-46594.
[44]	Shang Y， Chen Y， Cruz F. Improving proximal policy optimization algorithm in interactive multi-agent systems［C］// ICDL 2024. Piscataway： IEEE， 2024： 1-6.
[45]	Rafailov R， Sharma A， Mitchell E， et al. Direct preference optimization： your language model is secretly a reward model［C］// NeurIPS 2023. Red Hook： Curran Associates Inc.， 2023： 53728-53741.

项目序号	项目名	模块数	代码行数
项目序号	项目名	模块数	最少	平均	最多
1	apimd	2	111	291	471
2	codetiming	1	45	45	45
3	dataclasses-json	4	55	194	286
4	docstring_parse	5	14	120	198
5	flutes	3	13	99	216
6	flutils	9	21	127	263
7	httpie	19	9	129	393
8	isort	2	109	110	111
9	mimesis	15	25	75	188
10	py_backwards	19	8	50	189
11	pyMonet	10	23	51	75
12	pypara	6	7	195	743
13	semantic-release	6	21	84	254
14	string-utils	3	55	157	230
15	pytutils	11	4	56	243
16	sty	2	19	56	94
17	sanic	6	19	139	505
18	thonny	3	24	217	521
19	typesystem	10	32	197	603
20	blib2to3	6	52	271	555
21	cookiecutter	5	18	60	111
22	ansible	60	8	132	1 110
23	PySnooper	4	68	144	336
24	tqdm	6	16	75	202
25	thefxxk	4	6	36	156
26	tornado	13	100	288	600
27	youtube-dl	8	24	203	873

项目序号	项目名	模块数	代码行数
项目序号	项目名	模块数	最少	平均	最多
1	apimd	2	111	291	471
2	codetiming	1	45	45	45
3	dataclasses-json	4	55	194	286
4	docstring_parse	5	14	120	198
5	flutes	3	13	99	216
6	flutils	9	21	127	263
7	httpie	19	9	129	393
8	isort	2	109	110	111
9	mimesis	15	25	75	188
10	py_backwards	19	8	50	189
11	pyMonet	10	23	51	75
12	pypara	6	7	195	743
13	semantic-release	6	21	84	254
14	string-utils	3	55	157	230
15	pytutils	11	4	56	243
16	sty	2	19	56	94
17	sanic	6	19	139	505
18	thonny	3	24	217	521
19	typesystem	10	32	197	603
20	blib2to3	6	52	271	555
21	cookiecutter	5	18	60	111
22	ansible	60	8	132	1 110
23	PySnooper	4	68	144	336
24	tqdm	6	16	75	202
25	thefxxk	4	6	36	156
26	tornado	13	100	288	600
27	youtube-dl	8	24	203	873

项目名	行覆盖率			分支覆盖率
项目名	PyULLM	CodaMosa	Pynguin	PyULLM	CodaMosa	Pynguin
平均	82.22	63.16	58.06	79.11	57.39	52.50
apimd	74.50	61.00	53.50	66.50	50.50	46.50
codetiming	74.60	48.60	36.80	70.80	41.00	29.60
dataclasses-json	94.00	82.00	61.67	92.00	77.00	54.67
docstring_parse	100.00	100.00	100.00	100.00	79.00	87.00
flutes	73.25	57.25	53.00	69.25	54.50	50.25
flutils	77.25	42.00	42.75	72.00	35.50	36.50
httpie	80.20	64.80	52.00	77.80	57.60	44.60
isort	87.22	71.11	61.56	84.00	66.78	57.67
mimesis	70.47	45.58	43.53	64.89	40.21	38.68
py_backwards	90.00	78.00	78.00	89.50	75.50	75.50
pyMonet	93.33	71.20	64.73	91.60	67.07	61.00
pypara	75.33	57.28	58.33	73.50	51.78	52.72
semantic-release	98.60	75.70	72.40	98.20	67.90	64.90
string-utils	79.80	66.60	67.20	76.20	60.60	60.40
pytutils	67.75	48.00	34.50	65.00	42.00	29.50
sty	88.91	51.82	50.91	86.18	45.55	45.00
sanic	74.50	55.50	51.50	71.00	51.00	46.67
thonny	98.67	69.67	73.00	98.67	68.67	72.00
typesystem	95.67	73.33	85.00	93.67	69.67	80.00
blib2to3	97.00	88.50	73.50	95.50	85.50	67.00
cookiecutter	86.75	72.00	70.75	82.75	65.75	66.00
ansible	56.00	22.50	29.50	49.50	18.50	25.00
PySnooper	79.33	62.58	52.50	74.92	57.08	46.83
tqdm	78.83	65.83	46.17	75.83	60.00	39.50
thefxxk	86.11	68.89	56.44	83.22	64.56	51.33
tornado	68.88	47.00	45.13	64.50	42.63	40.88
youtube-dl	73.06	58.65	53.16	68.90	53.65	47.73

项目名	行覆盖率			分支覆盖率
项目名	PyULLM	CodaMosa	Pynguin	PyULLM	CodaMosa	Pynguin
平均	82.22	63.16	58.06	79.11	57.39	52.50
apimd	74.50	61.00	53.50	66.50	50.50	46.50
codetiming	74.60	48.60	36.80	70.80	41.00	29.60
dataclasses-json	94.00	82.00	61.67	92.00	77.00	54.67
docstring_parse	100.00	100.00	100.00	100.00	79.00	87.00
flutes	73.25	57.25	53.00	69.25	54.50	50.25
flutils	77.25	42.00	42.75	72.00	35.50	36.50
httpie	80.20	64.80	52.00	77.80	57.60	44.60
isort	87.22	71.11	61.56	84.00	66.78	57.67
mimesis	70.47	45.58	43.53	64.89	40.21	38.68
py_backwards	90.00	78.00	78.00	89.50	75.50	75.50
pyMonet	93.33	71.20	64.73	91.60	67.07	61.00
pypara	75.33	57.28	58.33	73.50	51.78	52.72
semantic-release	98.60	75.70	72.40	98.20	67.90	64.90
string-utils	79.80	66.60	67.20	76.20	60.60	60.40
pytutils	67.75	48.00	34.50	65.00	42.00	29.50
sty	88.91	51.82	50.91	86.18	45.55	45.00
sanic	74.50	55.50	51.50	71.00	51.00	46.67
thonny	98.67	69.67	73.00	98.67	68.67	72.00
typesystem	95.67	73.33	85.00	93.67	69.67	80.00
blib2to3	97.00	88.50	73.50	95.50	85.50	67.00
cookiecutter	86.75	72.00	70.75	82.75	65.75	66.00
ansible	56.00	22.50	29.50	49.50	18.50	25.00
PySnooper	79.33	62.58	52.50	74.92	57.08	46.83
tqdm	78.83	65.83	46.17	75.83	60.00	39.50
thefxxk	86.11	68.89	56.44	83.22	64.56	51.33
tornado	68.88	47.00	45.13	64.50	42.63	40.88
youtube-dl	73.06	58.65	53.16	68.90	53.65	47.73

项目名	star数/10³	项目名	star数/10³
apis	320	localstack	56
system_design	279	scrapy	53
AutoGpt	169	requests	52
transformers	136	hackingtool	51
yt_dlp	93	odoo	39
django	81	sentry	39
whisper	72	black	39
flask	68	mitmproxy	37
sherlock	61	streamlit	36
comfyui	60	gradio	34
open-interpreter	57

基于路径约束分片驱动大语言模型的单元测试生成方法

Unit test generation method based on path constraint sharding driven large language model

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 45

相关文章 15

编辑推荐

Metrics

项目名	行覆盖率		分支覆盖率
项目名	PyULLM	Direct	PyULLM	Direct
平均	82.22	61.21	79.11	56.05
apimd	74.50	54.00	66.50	47.50
codetiming	74.60	34.00	70.80	28.60
dataclasses-json	94.00	46.00	92.00	36.33
docstring_parse	100.00	100.00	100.00	90.00
flutes	73.25	56.75	69.25	53.75
flutils	77.25	38.75	72.00	37.75
httpie	80.20	63.40	77.80	57.00
isort	87.22	52.89	84.00	49.11
mimesis	70.47	52.84	64.89	46.32
py_backwards	90.00	84.00	89.50	81.50
pyMonet	93.33	77.80	91.60	74.27
pypara	75.33	62.78	73.50	59.22
semantic-release	98.60	72.30	98.20	64.60
string-utils	79.80	64.80	76.20	57.40
pytutils	67.75	52.25	65.00	46.00
sty	88.91	66.64	86.18	61.82
sanic	74.50	51.33	71.00	46.50
thonny	98.67	73.00	98.67	72.00
typesystem	95.67	90.67	93.67	87.67
blib2to3	97.00	79.50	95.50	73.50
cookiecutter	86.75	68.25	82.75	62.50
ansible	56.00	29.00	49.50	24.00
PySnooper	79.33	52.33	74.92	46.50
tqdm	78.83	59.50	75.83	53.50
thefxxk	86.11	66.89	83.22	62.00
tornado	68.88	50.38	64.50	46.63
youtube-dl	73.06	52.73	68.90	47.51

[1]	余梦姣, 金敏, 刘新华. 人-多智能体协同驱动的敏捷增强开发框架[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2938-2947.
[2]	边赟, 王海全, 陈义, 崔喆. 具备可解释性的软件缺陷预测数据集构建方法[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2948-2958.
[3]	龚镇辉, 史晓雨, 鲁云, 刘阳成, 尚明生. 面向敏感属性缺失的大语言模型公平推荐框架[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2838-2846.
[4]	霍耀冉, 李会芝, 曾大和, 唐震宇, 刘辰梅, 吴岩, 张啸, 陈思芹, 杨厚晖. 基于LLM的动态规则生成与神经符号推理合同审查框架[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2820-2826.
[5]	何丽, 李志强, 宋雨浩, 王晓. 基于关键帧和摘要的视频问答方法[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2793-2799.
[6]	刘新亮, 徐雨时, 李杜白, 任延昭. 基于知识图谱的问答方法综述[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2394-2410.
[7]	张悦, 郭羽含. 大语言模型驱动的语义量化网约车时空需求预测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2467-2476.
[8]	王梦婷, 高拴梁, 廖文睿, 李赓, 张嘉兴, 祝远芳, 赵天歌, 刘勇慧, 梁红茹. 面向航空领域的消息一致性解析框架[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2681-2690.
[9]	朱林凯, 杨璐, 张弘杰, 吴子衿, 刘璐. LLM与SWRL驱动的跨境数据合规异构跨链智能合约生成框架[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2074-2084.
[10]	程雅典, 李颖颖, 张平, 邱芳冰, 柴晓楠, 舒玉巧. 基于双角色交互机制的心理健康大语言模型[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2054-2063.
[11]	侯迪迪, 洪少东, 付玉杰, 崔允贺, 申国伟. 基于大语言模型链接的网络安全实体识别方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2064-2073.
[12]	王昱麒, 张仰森, 王璞. 融合知识增强和对比学习的高中英语阅读理解模型[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2096-2103.
[13]	李佳航, 韩启龙, 李丽洁, 张慧. 基于大语言模型的超关系知识图谱限定符增强方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2043-2053.
[14]	王劲滔, 高志霖, 孟琪翔, 卜凡亮. 基于大语言模型重构案件信息的类案检索方法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1785-1792.
[15]	熊龙雨, 杜圣东, 史浩琛, 胡节, 杨燕, 李天瑞. 基于知识增强大语言模型架构的政务热线问答系统[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1721-1727.