XiaoMi-AI文件搜索系统
World File Search SystemCodebert
AI审核：通往AI问责制的公共汽车
软件漏洞是软件系统中普遍存在的问题，构成了各种风险，例如敏感的Informentation [1]和系统故障[2]。为了应对这一挑战，搜索者提出了拟议的机器学习（ML）和深度学习（DL）方法，以识别源代码中的漏洞[3-6]。虽然以前基于ML/DL的脆弱性检测方法已显示出令人鼓舞的结果，但它们主要依赖于中等大小的预训练模型，例如Codebert [4，7]或训练较小的神经网络（例如图形神经网络[5]）。大型预训练语言模型（LLM）的最新发展表现出了令人印象深刻的跨多种任务学习的少量学习[8-12]。但是，LLM在面向安全的任务（尤其是脆弱性检测）上的性能在很大程度上没有探索。此外，LLM逐渐开始用于软件工程（SE），如自动化程序维修中所示[8]。但是，这些研究主要集中于使用LLM进行基于生成的任务。尚不清楚LLM是否可以在分类任务中有效地使用，并且在脆弱性检测任务中指定了中等大小的预训练模型，例如Codebert等中型预训练的模型。在研究差距中填写，本文研究了LLMS在识别脆弱的代码时，即安全域内的关键分类任务。此外，LLMS的效果很大程度上依赖于该模型提供的提示质量（任务描述和其他相关信息）。因此，
生成式人工智能和 ChatGPT
对于软件工程师和开发人员来说，CODEX、神经代码理解、CodeBERT、CodeGPT、AdaNet 和 DeepCoder 等代码生成模型有助于根据自然语言输入生成代码片段和整个程序，从而节省程序员的时间和精力。它们还可以针对特定的编程语言和任务进行微调，以生成更准确、更高效的代码。除了代码生成之外，这些模型还可用于错误检测和调试以及自动完成，以提供建议和自动完成代码片段，从而帮助程序员更高效地编写代码并降低出错的可能性。这些模型可用于审查和评估代码，提供有关编码风格、性能和潜在错误的反馈，并为代码生成文档、注释和解释，从而帮助程序员理解和维护复杂的代码库。