arXiv · cs.AI· Asif Shahriar, Hongyu Cai, Hadjer Benkraouda, Gang Wang, Z. Berkay Celik·· 7 小时前
研究揭示大语言模型代码漏洞检测中的认知偏差
Words Speak Louder Than Code: Investigating Cognitive Heuristics in LLM-Based Code Vulnerability Detection
arXiv:2606.30587v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Asif Shahriar, Hongyu Cai, Hadjer Benkraouda, Gang Wang, Z. Berkay Celik
研究任务与主要进展
研究者提出受控框架，在固定代码时改变作者归因、任务后果和先前分析结果，评估八个大语言模型在三种编程语言中的漏洞判断偏差。基于论文摘要，所有受测模型均受到三类认知启发式影响，其中框架效应平均占比最高为33.2%，锚定效应为23.5%，光环效应为18.4%；研究还展示了一种概念验证黑盒认知攻击，可压低此前检测到的漏洞，最高达到97%。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org