大语言模型在多语言等价变异体检测中的扩展实证研究

本研究系统评估GPT-4、DeepSeek-Coder、CodeLlama、Qwen2.5-Coder等多种大语言模型在多编程语言等价变异体检测中的能力，为软件测试领域变异测试自动化提供重要参考。研究涵盖背景、模型、方法、发现、应用及结论等核心内容。

变异测试是软件测试中评估测试用例有效性的关键技术，但等价变异体（语义与原程序等价的变异体）需人工甄别，消耗大量资源。随着大语言模型在代码理解任务的突破，本研究旨在系统性评估主流LLM在多语言环境下检测等价变异体的能力。

研究涵盖多类模型：通用大语言模型（GPT-4、GPT-3.5-Turbo、Llama3）、代码专用模型（DeepSeek-Coder、CodeLlama、StarCoder、Qwen2.5-Coder）、编码器-解码器架构模型（CodeBERT、GraphCodeBERT、CodeT5等）、嵌入模型（Text-Embedding系列）。

采用多维度评估框架：1.数据集构建：整理多语言代码样本及对应变异体；2.实验设计：各模型独立实验目录，含特定配置与评估脚本；3.人工基准：人工标注结果作为模型准确性的黄金标准。

1.模型能力差异显著：代码专用模型通常优于通用大语言模型；2.多语言支持存在挑战：需高程序语义理解能力；3.提示工程影响判断准确性，包括零样本、少样本及思维链等策略。

实践意义：为自动化等价变异体检测工具提供实证基础，减少人工审查工作量；模型选型指导：CodeT5、UniXCoder等模型在等价性判断上更经济高效。未来研究方向：探索大规模模型表现、多模态方法、特定语言专用检测器。

本研究为LLM在软件测试领域的应用潜力提供宝贵见解，自动化等价变异体检测正从理论走向实践。研究代码与数据集已开源，为后续研究提供可复现基础。