新闻详情

新闻详情

首页 / 资讯中心 / 详情

亚远景-ASPICE 评估实践:VAL.1 确认,别把确认活动等同于系统测试

发布时间:2026/10/25 20:59:49来源:尧图网络
亚远景-ASPICE 评估实践:VAL.1 确认,别把确认活动等同于系统测试
ASPICE SYS.5 系统验证主要用来核对系统产出物能不能满足系统需求文档写出来的内容。ASPICE VAL.1 确认的目标是确认产品在实际预期使用条件下可以满足利益相关方的真实期望重点面向用户使用场景、运行设计域 ODD。很多项目做完系统测试就认为确认工作已经完成没有站在真实使用视角开展活动等到评估才发现 VAL.1 缺少对应的工作产物。实际项目开展 VAL.1 确认经常出现几类问题。直接复用系统测试用例没有设计真实工况、用户典型使用场景相关的确认项。确认活动没有考虑完整的运行设计域不去覆盖边界使用条件只在实验室理想环境开展工作。利益相关方参与不足确认的结果没有客户、产品、售后这类角色参与评审。确认手段比较单一只有仿真台架测试缺少实车路试、用户试用、专家评估这类 VAL.1 允许的多种确认方式。确认发现的问题没有录入问题台账闭环确认记录没有和项目基线绑定归档。要分清楚两者的定位系统验证回答 “产品是不是符合需求文档”VAL.1 确认回答 “产品在真实使用场景下能不能满足使用者的期望”二者不能互相替代。开展 VAL.1 确认策划阶段就要区分开系统验证与确认活动。梳理利益相关方的使用期望整理产品运行设计域 ODD明确产品允许工作的环境、工况边界。选择适配本产品的确认手段可以包含实车测试、台架仿真、专家评审、用户试用等多种方式不局限于自动化测试用例。确认的重点场景覆盖典型用户操作、边界工况、多功能并发使用的情况重点考察需求文档没有完整写明但实际使用会遇到的情况。确认过程当中发现的偏差全部录入 SUP.9 问题解决管理按照流程开展分析、纠正、闭环。确认完成之后形成确认总结报告写明确认覆盖的场景、发现问题、结论由对应的利益相关方参与评审签字报告和对应的产品基线绑定归档。如果部分场景无法开展实车确认需要记录确认方式的取舍理由经过评审留存不能直接跳过确认环节。内部预评估核查 VAL.1 的时候重点看确认活动是不是面向真实使用期望检查确认场景清单、确认手段、问题闭环记录识别直接拿系统测试报告充当确认证据的情况。VAL.1 确认不是系统测试的重复执行它的价值是站在最终使用者视角检验产品实际使用效果。分开策划、分开执行、分开留存证据才能够落实 VAL.1 的各项实践满足 ASPICE 评估取证的要求。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/10/25 3:20:41

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/10/25 3:43:49

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/10/25 4:02:17

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/10/25 5:03:13

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/10/25 3:54:32

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/10/25 5:32:24

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉