CodeBERT
PulseAugur coverage of CodeBERT — every cluster mentioning CodeBERT across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
发布用于 LLM 的 Java 和 Rust 漏洞检测新基准
发布了两个新的基准测试集 JavaVulBench 和 RustMizan，用于评估大型语言模型在软件漏洞检测方面的能力。JavaVulBench 专注于 Java 方法，包含超过 1,740 个通用漏洞披露 (CVE)，并提供多种真实的拆分策略用于测试。RustMizan 针对 Rust 漏洞，提供可编译的代码和一个突变框架来测试污染和鲁棒性。与之前使用小型代码片段且缺乏污染意识的数据集相比，这两个基准测试旨在提供更现实、更全面的评估。
-
新的SALSA方法改进了机器生成代码的检测
研究人员开发了一种名为SALSA（Single-pass Autoregressive LLM Structured Classification）的新方法来检测机器生成的代码。该方法将代码作者身份检测视为一个二元分类任务，模型直接输出一个单token标签。SALSA的制定旨在通过使用参数高效微调和保守训练来改进分布外泛化能力，在SemEval-2026 Task 13排行榜上取得了0.789的F1分数，显著优于CodeBERT基线。
-
新框架改进代码凭证泄露检测
研究人员开发了一个新框架，以改进公共代码库中凭证泄露的检测。这种混合方法结合了CodeBERT的语义理解和字符级模式识别，将泄露分为三类：真实凭证、占位符凭证或弱凭证。该系统在包含10种编程语言、超过9000个样本的数据集上达到了0.90的宏观F1分数，显著减少了误报，同时保持了对实际凭证泄露的高召回率。
-
考古团队微调代码模型以检测AI生成代码
考古团队的研究人员开发了一个用于检测AI生成代码的系统，并参加了SemEval-2026 Task 13。他们的方法包括微调几个预训练的代码模型，如CodeBERT和CodeT5+，采用不同的策略进行AI生成代码的二元分类和生成模型的多元归属。他们的最佳提交取得了有竞争力的结果，在二元分类中排名第6位（共81支队伍），在模型归属中排名第7位（共34支队伍）。
-
研究人员开发使用神经方法为命令式程序构建图
研究人员开发了一个管道，将命令式程序及其注解转换为类型化、属性化的图。该过程结合了抽象语法树解析与来自 SentenceTransformer 和 CodeBERT 等模型的语义嵌入。目标是识别程序之间的结构和语义相似性，以便重用验证工件。使用 C、Java 和 Dafny 进行的实验证明了跨不同语言和注解风格创建一致图表示的能力。