English(EN) Adversarial code comments dataset for LLM reviewers

新数据集测试对抗性注释如何愚弄 LLM 代码审查器

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-13 15:15

名为 CommentInject 的新数据集已发布，用于测试对抗性代码注释如何影响 LLM 代码审查器。该数据集包含 30 个不同 CWE 类别的易受攻击的 Python 函数，其中包含旨在误导审查器认为代码安全的注释。使用 Qwen2.5-Coder 7B 和 Deepseek-Coder 6.7B 等模型的研究表明，存在误导性注释时，漏洞检测率会显著下降，尽管效果因模型和注释策略而异。 AI

影响凸显了 LLM 代码审查工具中潜在的漏洞，需要提高对抗性鲁棒性。

排序理由发布用于评估 LLM 在代码审查中安全/鲁棒性的新数据集。 [lever_c_demoted from research: ic=1 ai=1.0]

在 dev.to — LLM tag 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 44 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 发布用于评估 LLM 在代码审查中安全/鲁棒性的新数据集。 [lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, safety; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

dev.to — LLM tag TIER_1 English(EN) · Sunny Chokshi · 2026-11-13 15:15

LLM 评审的对抗性代码注释数据集

<p>Sunny Chokshi. November 4, 2026.</p> <p><a class="article-body-image-wrapper" href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Farticles%2Fpfx7ig98m5ox…

本文如何被排名

报道来源 [1]

LLM 评审的对抗性代码注释数据集

相关实体

相关话题