可用于代码补全、生成与理解任务，是 aiXcoder-7B 代码大模型在 PaddlePaddle 生态下的官方实现，支持全参SFT、LoRA等训练方式，提供PaddlePaddle原生调用接口，训练效率与稳定性兼顾。

本工具基于 GN 构建元数据，遵循 OpenHarmony SBOM 中间态元数据格式，生成标准化的中间实例，并输出符合 SPDX 2.3 规范的 SBOM 文件

基于大语言模型 + 知识图谱 + 多模态定位 + Playwright 动态验证的端到端 GUI 缺陷修复流水线。本仓库同时提供 可调用的服务源码、一键部署脚本 和 以 HTTP 客户端形式调用本服务的交互式 Demo。

暂无简介

可用于处理大规模软件开发中的代码修复任务，解决现有'定位-修复'模式在真实仓库复杂场景下的局限性。该项目引入显式规划与建议阶段，通过修改前推理原因和方式，实现更可靠、可解释且上下文感知的软件修复，支持SWE-bench数据集。

CAnalyzer是一款面向C/C++源代码的软件成分分析工具，旨在识别项目中以源代码形式复用的第三方库（TPL）及其依赖关系。该工具整合15个平台的C/C++ TPL构建特征库，并结合特征预处理与多重阈值匹配策略，实现库粒度的TPL复用检测；同时通过解析源代码中的依赖指令，自动构建TPL依赖关系。CAnalyzer可为安全漏洞排查、许可证合规分析和开源软件供应链治理提供基础支撑，目前已被OpenHarmony社区采纳并应用于实际代码仓库分析。

OSS_Vulnerability_DB是一个面向开源软件供应链安全分析的漏洞情报数据库，旨在为开源软件漏洞识别、受影响版本判定和补丁分析提供结构化数据支撑。该数据库收录漏洞标识符、严重性分数、漏洞类别、所属软件生态、受影响的软件包及版本等基础信息，并进一步关联补丁文件、补丁地址、补丁函数名和补丁函数体等细粒度修复信息。通过整合漏洞、软件包、受影响版本与代码补丁之间的关联关系，OSS_Vulnerability_DB可用于软件成分分析结果的漏洞匹配、漏洞影响范围分析、补丁特征提取及漏洞修复研究，为开源软件供应链中的漏洞检测与安全治理提供数据基础。

HedgeCode 是一个面向代码搜索的多任务联合学习框架。它通过三个阶段的设计来优化代码与自然语言文本的表示对齐：首先用相关性检测任务和 Hedging Contrastive Learning (HCL) 方法进行表示空间对齐，其次通过代码-文本相关性检测 (CTRD)、代码-文本对比学习 (CTC) 和代码搜索 (CS) 三个任务的联合优化来进一步提升学习效果，最后用训练好的编码器在代码库上执行检索。项目支持 CodeBERT、Unixcoder、CoCoSoDa 等多种代码大模型作为编码器，在 CodeSearchNet、Relevance Detection Pairs 等标准数据集上都展示了业界领先的检索性能。

DGOP 是一个用于发现深度学习算子精度问题的实验项目。它通过随机生成输入张量并施加多种变异操作，在 TensorFlow、PyTorch、MNN 三个框架上执行同一算子，比较输出差异，筛选更容易触发异常误差的数据样本。项目中包含加权采样、Q-learning、邻域扩展、Predoo、GA 等多种生成与对比策略，同时提供分类修复与可视化分析脚本。整体代码偏研究原型，适合继续做算法对比、误差分析和复现实验。

基于知识图谱的多智能体测试用例生成系统

用户可借助该项目自动分析代码并生成控制流图，支持Python、Java、C语言，能生成PNG格式可视化图表，采用FastAPI后端与Vue3前端，支持多种AI模型及参数调整。

RUM 是一个基于规则引擎与大语言模型的测试技能评价系统，面向软件测试教学、实训、考试和竞赛场景，支持对测试用例、测试代码、截图材料和提交结果进行自动化评分、报告生成与班级学情分析，帮助教师和平台更高效、客观地完成测试能力评估。

AI4SE工具集成平台

用户可将局部更新片段可靠应用到原始文件，保证无关内容不变。该项目是面向Full-File Apply的4B专用模型与开源工具链，具备高准确率、快速全文件生成、可部署后端及可复现流程等亮点。

该目录是 Django 官方源码仓库，包含框架核心代码、文档、测试与辅助脚本。

基于大语言模型的 Web 自动化测试平台。测试人员用自然语言描述测试意图，平台自动生成 Selenium 代码、动态编译、在真实浏览器中执行、截图取证并产出 Word 测试报告。

源师兄IDE智能编程助手

TOPS 是一个面向软件测试领域的智能分析平台后端，利用大语言模型从测试缺陷数据中自动抽取知识、构建知识图谱，并提供缺陷分析与可视化能力。 核心功能 - 三元组抽取：基于大模型（DeepSeek / 智谱 GLM / 阿里 / 百度等多厂商可选）从测试缺陷报告中抽取实体与关系。 - 知识图谱构建：将抽取结果整合为缺陷知识图谱，支持 Neo4j 导入与持久化。 - 社区分析：采用 Leiden 算法对图谱进行社区发现，挖掘缺陷间的关联模式。 - 可视化与报告：生成网络关系图、缺陷社区可视化及数据统计概览。 - 模型管理：支持多模型配置、切换与微调流程管理。 技术栈 - 后端：Node.js + Express（接口服务、流程编排、模型调度） - 知识图谱模块：Python（三元组抽取、社区分析、图生成、Neo4j 导入） - 数据格式：支持 Excel / CSV 等测试数据导入

开源环境下隐匿漏洞补丁识别工具平台SHIP

可用于Web系统的场景测试，支持从自然语言描述生成并执行测试脚本。通过澄清、转换、测试三大模块，多智能体协作细化场景、生成用例变体、执行分析测试，提升测试效率与覆盖率。