热点事件观察中

研究：LLM代码漏洞检测存在认知启发式偏差

1 篇报道1 个报道来源2 天前更新

先了解这件事

AI 综述

一项发表于 arXiv 的研究首次系统探索了 LLM 代码漏洞检测中的认知启发式偏差。作者 Asif Shahriar 等人通过固定代码、仅改变上下文的方式，在三种编程语言上评估了八款 LLM，结果显示所有模型均受影响：框架效应平均敏感度最高达 33.2%，锚定效应 23.5%，光环效应 18.4%。研究还给出概念验证的黑盒认知攻击，称其可抑制高达 97% 的已检测漏洞。上述敏感度与攻击效果均为该研究给出的数据，尚待进一步验证。

AI 根据报道生成 · 1 天前更新

最新进展10月16日 12:00

LLM 代码漏洞检测中的认知启发式偏差研究

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
LLM 代码漏洞检测中的认知启发式偏差研究
研究首次系统探索了 LLM 代码漏洞检测中的认知启发式偏差，通过固定代码、仅改变上下文的方式，在三种编程语言上评估了八款 LLM。结果显示所有模型均受影响，框架效应平均敏感度最高达 33.2%，锚定效应 23.5%，光环效应 18.4%。概念验证的黑盒认知攻击可抑制高达 97% 的已检测漏洞。

本事件热度走势

可比范围当前: 3
可比范围峰值: 810月16日 22:00
近 24 小时变化: -51%

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。