本研究评估了大语言模型（LLMs）在自动生成单元测试用例中的应用，特别关注等价类和边界值。结果表明，LLMs的有效性依赖于精心设计的提示和准确的需求，同时强调人工分析在测试评估中的重要性。

研究发现，传统基于人类偏好的排名目标难以区分受欢迎的回应。为此，引入新方法估计偏好差异，无需详细标签。实验显示，加入边界值显著提升模型效果，证明了该方法在奖励预测和实际应用中的优越性。

本文提出了一种基于机器学习的数值微分方程求解器的优化工作流，用于微调数值设置，以减少所需的时间和专业知识。该工作流的可扩展性、稳定性和可靠性在评估部分进行了讨论，并在一个数值边界值问题求解器上展示了。

神经一体化无网格（NIM）方法结合了传统无网格离散化技术和深度学习，提高了解决方案的表示，减少了模型大小和梯度计算需求，提高了训练效率。实验结果显示NIM方法在静态和瞬态基准问题上有效，具有准确性、可扩展性、泛化性和收敛性。与其他方法相比，尤其是V-NIM，NIM方法在全面预测能力方面提高了准确性和效率。