В статье систематически рассматривается, как большие языковые модели, подобные ChatGPT, способствуют тестированию и верификации автономных интеллектуальных систем. Основываясь на последних достижениях генеративного вывода, исследование обобщает доказательства из 120 рецензируемых публикаций, рассматривая четыре ключевых области: генерация тестовых сценариев, обнаружение уязвимостей, формальная верификация и мониторинг в реальном времени. Путём сравнительного анализа fuzz-тестирования, символьного исполнения и обучения с подкреплением статья выявляет, как большие языковые модели повышают уровень автоматизации, семантическое покрытие и адаптивность, одновременно указывая на ограничения в целостности бенчмарков, объяснимости и эффективности использования ресурсов. Обзор включает структурированные таблицы, суммирующие представительные датасеты, специализированные приложения, а также сравнительные выводы между традиционными методами тестирования и методами на основе больших языковых моделей. В статье анализируются основные вызовы, включая отсутствие эталонов, недостаточную объяснимость и этические риски, а также рассматриваются перспективные направления исследований, такие как гибридные верификационные рамки и улучшение качества данных. Исследование направлено на преодоление концептуального и практического разрыва между инженерией безопасности ИИ и выводом больших моделей, предоставляя дорожную карту для интеграции больших языковых моделей в будущие процессы верификации автономных интеллектуальных систем.

ChatGPT;Большие языковые модели;Автономные интеллектуальные системы;Тестирование;Верификация;Безопасность ИИ