Repair-R1：修复前的更优测试

自动程序修复（APR）旨在自动定位程序缺陷、生成补丁并验证修复。现有的APR技术通常与大型语言模型（LLM）相结合，利用LLM的代码相关知识来提高修复效果。当前基于LLM的APR方法通常仅在推理阶段使用测试用例，采用一种先修复后通过测试执行来验证的迭代方法。这种传统范式忽略了两个重要方面：测试用例在训练阶段的潜在贡献，以及在修复之前利用测试的可能性。为了解决这个问题，我们提出了Repair-R1方法，它将测试用例引入模型的训练阶段，并将测试生成置于修复之前。该模型被要求首先生成能够区分缺陷行为的判别性测试用例，然后基于这些测试进行修复。这使模型能够更好地定位缺陷并理解缺陷的根本原因，从而提高修复效果。我们使用三种不同的骨干模型实现了Repair-R1，并采用强化学习（RL）来协同优化测试生成和漏洞修复。在四个广泛采用的基准测试上的实验结果证明了Repair-R1的优越性。具体而言，与基线模型相比，Repair-R1将修复成功率提高了2.68%至48.29%，测试生成成功率提高了16.38%至53.28%，测试覆盖率提高了0.78%至53.96%。我们在 https://github.com/Tomsawyerhu/APR-RL 和 https://huggingface.co/tomhu/Qwen3-4B-RL-5000-step 上发布了代码和权重。