Новости Explyt
В первой части статьи мы сравнили ведущие языковые модели (LLM) от OpenAI, DeepSeek и Alibaba в контексте синтеза тестов. Мы рассмотрели качество сценариев, соответствие инструкциям, стоимость и другие метрики.
Всем привет! Это вопрос мы задаем себе каждый раз, когда надо и не хочется писать тесты. И еще меньше хочется искать и исправлять ошибки в том, что нагенерит AI-ассистент. В этой статье обсудим, на какие инструменты стоит обратить внимание, каким должен быть хороший инструмент для генерации Java тестов и насколько далека мечта от реальности.
Чтобы повысить эффективность разработчика, нужно прежде всего понять, в какие активности он вовлечён каждый день.
У многих в проектах есть формальные требования по тестовому покрытию. Например, что каждый класс должен быть покрыт юнит тестами минимум на 70%.
Тестированию посвящено множество блогов, книг и каналов. Расскажем про те, которые особенно нравятся лично нам.
В этом обзоре мы обсудим сравнение различных современных языковых моделей (LLM) на задаче синтеза тестов. Все измерения проводились на внутреннем бенчмарке компании Explyt, который включает в себя как закрытые, так и open source проекты на языках Java и Kotlin, с использованием Spring и без.
В повседневной работе мы обычно задаём языковым моделям быстрые вопросы, чтобы выхватить быстрый ответ и пойти дальше. Это те же проблемы, для которых раньше чаще всего использовали Google и stackoverflow.
Компания JetBrains регулярно проводит опросы разработчиков и следит за мировыми трендами в IT. Разберём их отчёт State of Developer Ecosystem Report 2024 в контексте повышения продуктивности разработчиков.
Explyt Test 3.1 делает шаг вперед в генерации тестов за счет улучшения алгоритмов сбора контекста, следования стилистике проекта и более точной работы с моками.