Clang
PulseAugur coverage of Clang — every cluster mentioning Clang across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
LLVM 讨论默认启用 ClangIR，提及构建时间担忧
LLVM 开发者正在讨论一项提议，即在默认构建配置中启用 ClangIR，这是一个基于 MLIR 的新中间表示。提出的主要担忧是可能增加开发者和 CI 系统的构建时间，因为 ClangIR 将成为强制性依赖项。支持者认为，默认启用它将鼓励更广泛的测试和更快的错误检测，确保该组件获得足够的关注和开发。
-
Hikec 编译器发出 LLVM IR 以实现灵活性和零分配
hikec 编程语言的开发者选择发出 LLVM IR 而不是直接发出二进制文件，以简化编译器前端并增强灵活性。这种方法可以与 Clang 等现有工具链无缝集成，从而实现跨语言优化和更轻松地编译到 WebAssembly。此外，该语言具有零分配迭代器以及统一的 fat-pointer ABI（用于函数和闭包），在没有运行时开销的情况下确保了 C-ABI 兼容性。
-
GCC采纳反对LLM生成代码贡献的政策
GCC指导委员会已采纳一项AI贡献政策，禁止由LLM生成或源自LLM的“具有法律意义的”贡献。该政策根据GNU项目指南，将“具有法律意义”定义为大约15行代码或文本。虽然LLM生成的内容在直接贡献方面受到限制，但只要其输出不被纳入贡献中，仍允许使用LLM进行诸如错误发现、补丁审查和分析等任务。
-
新数据集助力大语言模型分析软件漏洞
研究人员推出了 ASSEMBLAGE-DEEPHISTORY，这是一个新颖的数据集，旨在帮助分析不同构建配置和历史版本中的软件漏洞。该数据集包含来自 248 个开源项目的 73,000 多个二进制文件，使用各种编译器和操作系统进行编译，并包含将二进制文件与其源代码、易受攻击的函数和包版本相关联的详细元数据。进行了三项分析以证明该数据集的实用性，包括用于漏洞检测的大语言模型基准测试、用于聚类的嵌入比较以及二进制相似性的回归分析。
-
FunFuzz 框架使用 LLM 提高编译器模糊测试效率
研究人员开发了 FunFuzz，一个利用大型语言模型（LLM）生成结构化输入进行软件测试的新型进化模糊测试框架。该框架通过采用多岛屿方法，结合并行搜索和有前景候选者的定期迁移，解决了 LLM 驱动的模糊测试对提示初始化的敏感性问题。FunFuzz 使用反馈引导选择来调整提示，并根据编译器覆盖率和失败信号来优先考虑候选者，在对 GCC 和 Clang 的测试中展示了改进的覆盖率和独特失败触发输入的发现。