UniXcoder
PulseAugur coverage of UniXcoder — every cluster mentioning UniXcoder across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
模型合并创建统一的跨域代码克隆检测器
研究人员探索了模型合并技术，以创建一种用于跨域克隆检测的统一模型，从而解决由专业深度学习检测器引起的碎片化危机。在各种代码模型和基准测试中评估了参数合并（TIES）和架构合并（WUDI）等方法。TIES合并在泛化到未见过的AI生成克隆方面表现出强大的能力，在鲁棒性方面优于零样本代码LLM和多任务训练，尽管WUDI在分布内性能方面取得了更高的分数。研究表明，共享的预训练基础对于软件工程中有效的跨模型合并至关重要。
-
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。
-
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）。