CodeLlama 7B
PulseAugur coverage of CodeLlama 7B — every cluster mentioning CodeLlama 7B across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新数据集测试对抗性注释如何愚弄 LLM 代码审查器
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。
-
新方法提高LLM推理速度和成本效益 · 跟踪4个来源
研究人员开发了优化大型语言模型(LLM)推理的新技术,重点关注效率和成本效益。一种名为并行提示(Parallel Prompting)的方法通过并发处理多个关于同一文档的问题,显著加快了涉及此类工作负载的推理速度。另一个系统EngineAgent通过管理复杂的跨层依赖关系,自动化了LLM在各种设备硬件上的启用。此外,PISA和PISA-E引入了提示自适应路由和集成方法,以平衡不同LLM请求的响应质量与推理成本。
-
LLM代码审查器仅凭检测率被误导性排名
一项最新研究评估了16个开源LLM代码审查器,使用了180个Python代码片段,涵盖九类加密滥用。研究发现,仅依赖真阳性率(TPR)来检测漏洞具有误导性,因为那些几乎标记一切(包括安全代码)的模型似乎表现最佳。该研究引入了平衡准确率,它同时考虑了真阳性和假阳性,结果显示GPT OSS 20B以93.7%的TPR和3.3%的FPR取得了最高分。
-
新AI框架训练代码模型自我修正安全漏洞
研究人员开发了一个名为Tree Self-Play (TSP) 的新颖框架,以解决在代码上训练的大型语言模型中固有的安全漏洞。当前的监督微调和强化学习等方法过于粗粒度,无法修复导致SQL注入等问题的局部编码错误。TSP引入了一种细粒度的、自主的方法,能够精确识别代码中的风险节点,并利用自我博弈生成安全和易受攻击的代码路径,以进行有针对性的优化。
-
新的 LLM 技术通过从错误中学习来增强安全代码生成
研究人员开发了一个名为树状自我博弈 (TSP) 的新框架,以提高大型语言模型 (LLM) 生成代码的安全性。TSP 将代码生成重新构建为顺序决策过程,使模型能够探索安全和易受攻击的代码路径。这种方法使 LLM 能够从细粒度的自身错误中学习,从而实现更强大的安全性。
-
指南详述使用 llama.cpp 和 Ollama 进行本地 LLM 设置
这一系列指南详细介绍了如何在 Linux 系统上本地设置和运行大型语言模型(LLM)。内容涵盖框架比较,重点关注 llama.cpp 和 Ollama,并提供了两者的分步安装说明。指南还解释了模型选择、量化类型以及如何配置 API 服务器以与其他工具集成。最后,它们提供了有关设置 systemd 服务以实现持续运行、监控性能和解决常见问题的建议。
-
New MultiVul framework uses multimodal LLMs to boost software vulnerability detection
研究人员开发了MultiVul,一个新颖的多模态框架,旨在通过整合源代码和配套注释来增强软件漏洞检测。该方法通过对齐代码和注释表示来解决单一模态方法的局限性,从而捕获结构逻辑和开发人员意图。使用四种大型语言模型的实验表明,与现有技术相比,检测准确性有了显著提高。
-
Replit 在 Hugging Face 上发布开源代码模型 V1.5 3B
Replit 已在 Hugging Face 上发布了其新的代码生成语言模型 Replit Code V1.5 3B。该模型在大量具有宽松许可的代码和公开可用的开发者内容的数据集上进行了训练,旨在提供高质量的代码补全。Replit 将此模型免费提供给其超过 2500 万开发者的社区,鼓励将其用作进一步微调和应用程序开发的基础模型。