# 量子软件测试

量子程序由概率输出和领域专用检查器判定对错，因此一段语法正确的测试仍可能与基准结论相反。QTestBench 让模型为每个任务生成语法、语义、行为三类 pytest 测试，再注入候选解，用基准自带的检查器而非测试本身作为真值，在三个验证队列中比较测试判定与检查器标签。五个模型在八个 PennyLane QHack 挑战和十个 Qiskit HumanEval 任务上生成的测试几乎都能执行，但判别力明显落后：QHack 上最佳测试质量 0.71，Qiskit 上仅 0.34，说明可执行性会高估测试质量。

量子程序由概率输出和领域专用检查器判定对错，因此一段语法正确的测试仍可能与基准结论相反。QTestBench 让模型为每个任务生成语法、语义、行为三类 pytest 测试，再注入候选解，用基准自带的检查器而非测试本身作为真值，在三个验证队列中比较测试判定与检查器标签。五个模型在八个 PennyLane QHack 挑战和十个 Qiskit HumanEval 任务上生成的测试几乎都能执行，但判别力明显落后：QHack 上最佳测试质量 0.71，Qiskit 上仅 0.34，说明可执行性会高估测试质量。

作者提出QuSema，一个以量子语义与文档作为源码级语义判据的自主测试智能体，通过“上下文单元准备—语义缺陷检测—库API触发与验证”三阶段流程，判断实现逻辑能否由合法输入产生非法输出；在Qiskit与PennyLane的20个历史静默缺陷基准上，其平均缺陷复现数高于Claude Code与Codex，并在两个库中发现40个经维护者确认的新缺陷，其中30个为静默缺陷。

作者提出QuSema，一个以量子语义与文档作为源码级语义判据的自主测试智能体，通过“上下文单元准备—语义缺陷检测—库API触发与验证”三阶段流程，判断实现逻辑能否由合法输入产生非法输出；在Qiskit与PennyLane的20个历史静默缺陷基准上，其平均缺陷复现数高于Claude Code与Codex，并在两个库中发现40个经维护者确认的新缺陷，其中30个为静默缺陷。