報告由螞蟻集團李慶泉在2024 AI+研發數字峰會上分享，主要圍繞質量大模型在軟件研發質量測試領域的應用展開，涵蓋大模型解決質量域問題的方式、構建路徑、在接口測試場景的實踐及未來展望。

1. 大模型如何解決質量域問題：大模型具備賦能軟件研發全流程的能力，在質量域的應用場景廣泛，包括故障定位、測試用例生成等。質量測試存在覆蓋率要求高、自動化難度大、人工成本高、經驗依賴度高等問題，大模型通過繼續預訓練注入領域知識、微調獲取多任務能力，以嚴謹全面的特性滿足質量測試需求，進而催生出質量大模型，其涵蓋知識中心、執行中心和服務中心的功能 。

2. 質量大模型的構建路徑：構建質量大模型需經過數據構建、模型訓練、部署應用和更新迭代等流程。在繼續預訓練階段，從業務域和質量域收集知識，經聚類、清洗和數據增強后用于訓練開源模型底座。指令微調階段，針對結構化數據任務設計指令，選取質量/業務基礎知識和特定質量任務數據，平衡數據分布、規約格式并增強魯棒性。應用方式上，大模型可作為端到端Bot以對話形式執行質量任務，也能作為工作流組件提升質量工具的能力，如實現NL2SQL功能 。

3.質量大模型在接口測試中的實踐：接口測試具有專業性、場景化和復雜性的特點，人工成本和時間成本較高。質量大模型在接口測試場景下有多種應用。在校驗點生成方面，依據接口入參、出參信息和專家經驗，遵循特定格式規范生成校驗點列表；在業務知識問答上，通過爬取知識文檔、切片、向量檢索等方式，實現接口測試知識增強問答；在工具執行上，以對話形式調用工具集合，由大模型進行參數解析和工具調度，執行工作流并返回結果 。

4. 未來展望：質量大模型在產品內容上聚焦質量與大模型結合的提效工作，產品設計提供通用的垂直領域大模型解決方案，算法設計構建通用的垂類領域大模型提效框架。未來技術趨勢包括處理海量質量知識與業務經驗、應對多樣質量任務、實現前置問題發現，以及兼顧代碼能力與問答能力等 。

免責聲明：我們尊重知識產權、數據隱私，只做內容的收集、整理及分享，報告內容來源于網絡,報告版權歸原撰寫發布機構所有，通過公開合法渠道獲得，如涉及侵權，請及時聯系我們刪除，如對報告內容存疑，請與撰寫、發布機構聯系