Este artículo revela una compensación entre generar entradas de pruebas unitarias propensas a errores y predecir con precisión las salidas de pruebas unitarias sin una respuesta correcta. Para abordar esto, proponemos UTGen, que entrena a los LLM para generar entradas de pruebas unitarias propensas a errores y corregir las salidas esperadas según las descripciones de las tareas. Dado que las pruebas generadas por el modelo pueden ser ruidosas, mejoramos las predicciones de salida de las UT aprovechando los cálculos en tiempo de prueba mediante UTDebug. Además, verificamos y retrocedemos las ediciones basadas en múltiples UT generadas para evitar el sobreajuste y facilitar eficazmente la depuración de LLM. Los resultados experimentales muestran que UTGen supera a otros modelos de referencia basados en LLM en un 7,59 % en métricas que miden tanto las entradas de UT propensas a errores como las salidas de UT correctas. Al combinarse con UTDebug, mejora la precisión de paso a 1 de Qwen2.5 32B en un 3,17 % y un 12,35 %, respectivamente, en particiones de depuración más complejas de HumanEvalFix y MBPP+, en comparación con otros modelos de referencia de generación de UT basados en LLM. Además, la retroalimentación del modelo UTGen basado en Qwen2.5 32B mejoró el rendimiento de depuración de LLM de vanguardia, como GPT-4o, en un 13,8 %. Finalmente, UTGen demuestra que, al usar Qwen2.5 7B con las 10 mejores muestras de HumanEval+, supera al modelo de recompensa de vanguardia 8B en un 4,43 % en la determinación de la corrección del código.
