热点事件持续更新

研究揭示LLM漏洞检测易受认知启发式影响

1 篇报道1 个报道来源6 小时前更新

先了解这件事

AI 综述

Purdue研究团队（Asif Shahriar等）发布论文，提出受控框架，在保持代码不变的情况下只改变周围上下文，评估八个大语言模型在三种编程语言中漏洞检测受认知启发式的影响。基于论文摘要，所有受测模型均受三类启发式影响，跨模型平均易感度最高为框架效应33.2%，其次是锚定效应23.5%和光环效应18.4%。研究还展示了一种概念验证黑盒认知攻击，可压低此前已检测到的漏洞，最高达97%。该结果为论文作者声称的实验结论，尚属论文摘要阶段。

AI 根据报道生成 · 3 小时前更新

最新进展10月16日 12:00

研究揭示大语言模型代码漏洞检测中的认知偏差

报道时间线

沿着报道，了解事件的不同侧面。

10月16日

12:00
arXiv · cs.AI
研究揭示大语言模型代码漏洞检测中的认知偏差
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%。

本事件热度走势

可比范围当前: 8
可比范围峰值: 910月16日 16:00
近 24 小时变化: –

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。