Meta 将 JiTTests 投入生产:用 LLM 生成测试在代码合入前抓 Bug
Meta 公布 Catching JiTTests 已从研究原型进入生产基础设施,用 LLM 为待合入的代码变更自动生成可执行测试,在代码落地前暴露缺陷。系统由 intent-aware 与 dodgy diff 两条测试生成流程、LLM-as-Judge 集成评审和规则式 RubFake 过滤组成,并采用 human-on-the-loop 方式让工程师按聚合结果介入。
Meta 公布 Catching JiTTests 已从研究原型进入生产基础设施,用 LLM 为待合入的代码变更自动生成可执行测试,在代码落地前暴露缺陷。系统由 intent-aware 与 dodgy diff 两条测试生成流程、LLM-as-Judge 集成评审和规则式 RubFake 过滤组成,并采用 human-on-the-loop 方式让工程师按聚合结果介入。
Audible 技术团队公布一套面向有声书的可控 TTS 方案,用自然语言描述控制对白语气,并让角色声音在全书中保持一致。方案包含三部分:带语音特征描述的数据合成流水线、自动识别书中角色及其对白的 BookLLM(英语和西班牙语准确率分别为 97% 和 94%),以及把两者串起来的合成流程。在 MUSHRA 测试中,对白区分度提升 3.7 分,英西双语十种声音里有八种在听感上取得统计显著改善。
Amazon Web Services 团队提出 Priming 方法,以预训练 Transformer 权重为起点构建混合状态空间模型,把混合架构的预训练成本降低 99% 以上,整个流程消耗不到源模型预训练 token 预算的 0.5%。
推荐理由:亚马逊团队提出复用预训练 Transformer 权重改造混合架构的方法,把预训练成本降低 99% 以上,并给出可复现的模型与代码。