arXiv cs.CL· Yue Xu, Xiyang Wang, Hui Liu, Bolei He·· 11 小时前AI 评分36
从 Token 到文件：AI 参与代码的多粒度检测与定位
From Tokens to Files: Multi-Granularity Detection and Localization of AI-Involved Code
AI 导读
研究者提出一种在 token 级别建模 AI 作者身份、并在行、块、文件三个粒度上预测的框架，用冻结代码语言模型加两个低秩适配器，以逐 token 对数似然比作为局部证据。
正文 · AI 翻译
摘要：随着大语言模型在代码生成中的使用日益增多，需要能够区分纯人类编写代码与涉及 AI 的代码的方法：即文件中任何部分（无论多小）由模型生成或被模型大幅修改。除了标记此类文件之外，我们还旨在定位可归因于 AI 的行或代码块。现有方法将文件压缩为单一分数，依据表面风格特征或全局代码表示，当只有少数代码块涉及 AI 时，这会将证据平均掉。我们提出了一个在 token 级别建模 AI 作者身份并在行、代码块和文件级别进行预测的框架。一个冻结的代码语言模型配备两个低秩适配器，分别在人写文件和机器写文件上训练；它们逐 token 的对数似然比提供了 AI 作者身份的局部证据。轻量级头部利用周围代码上下文在行和代码块内聚合这些证据，其局部预测被聚合为文件级决策。我们在由人类原始文件及其 AI 生成或 AI 修改对应文件构建的混合作者身份文件上训练，包括续写和中间填充场景。在一个包含六种生成方式的 11,773 个涉及 AI 文件的内部测试集上，对照 2,541 个人类文件，我们的方法在 1% FPR 工作点达到 72.4 宏 F1。在无适配的情况下，它在 HybridCodeAuthorship（一个无训练划分的外部人机协同写作基准）上达到 62.5 行级 F1，高于其论文自身报告的最佳行级结果 56。在来自 2022 年之前创建的仓库的 19,445 个人类编写文件上，在迁移的 1% 阈值下，假阳性率保持在 0.55% 至 0.81% 之间，因此该工作点在真实人类代码上依然成立。
| 评论： | 29 页 |
| 主题： | 软件工程（cs.SE）；计算与语言（cs.CL）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.27863 [cs.SE] |
| （或 arXiv:2610.27863v1 [cs.SE] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.27863 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yue Xu [查看邮箱]
[v1]
2026 年 10 月 20 日星期二 08:45:35 UTC（70 KB）
来源：arXiv cs.CL · arxiv.org