대규모 언어 모델(LLM) 기반 단위 테스트 생성과 진화적 탐색 기법을 통합한 하이브리드 프레임워크인 EvoGPT를 제안합니다. EvoGPT는 다양한 온도 샘플링을 사용하여 초기 단위 테스트를 생성하고, 이후 생성-복구 루프와 적용 범위 기반 어설션 향상 과정을 거칩니다. 유전 알고리즘을 사용하여 돌연변이 점수를 기반으로 테스트 집합을 진화시키며, 기존 적용 범위 지표보다 돌연변이 점수를 우선시하는 적합도 함수를 사용합니다. 여러 오픈소스 자바 프로젝트에서 평가한 결과, EvoGPT는 LLM 및 기존 탐색 기반 소프트웨어 테스트 기준에 비해 코드 적용 범위와 돌연변이 점수 모두에서 평균 10% 향상을 달성했습니다. 이는 LLM 기반 다양성, 목표 지향적 복구 및 진화적 최적화를 결합하면 더 효과적이고 탄력적인 테스트 집합을 생성할 수 있음을 보여줍니다.
