PulseAugur
实时 16:22:08
English(EN) Optimizing Token Choice for Code Watermarking: An RL Approach

新的强化学习方法增强了LLM代码水印

研究人员开发了CodeTracer,一个用于大型语言模型生成代码的水印框架。该系统采用强化学习方法,在代码生成过程中智能地偏向Token选择,确保水印可检测且不影响代码功能。CodeTracer将执行反馈与水印信号相结合,以优化策略学习,并在保持代码完整性和水印可检测性方面,其性能优于现有方法。 AI

影响 引入了一种保护LLM生成代码知识产权的新颖方法,可能影响代码安全和所有权。

排序理由 学术论文,详细介绍了一种新颖的代码水印方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

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

新的强化学习方法增强了LLM代码水印

报道来源 [1]

  1. arXiv cs.CL TIER_1 English(EN) · Zhimeng Guo, Huaisheng Zhu, Siyuan Xu, Hangfan Zhang, Teng Xiao, Minhao Cheng ·

    优化代码水印的Token选择:一种强化学习方法

    arXiv:2508.11925v3 Announce Type: replace-cross Abstract: Protecting intellectual property on LLM-generated code necessitates effective watermarking systems that can operate within code's highly structured, syntactically constrained nature. In this work, we introduce CodeTracer, …