深度分析
「CodeTracer」：基於行為指紋的 LLM 程式碼自動完成後門鑑識框架
研究指出大型語言模型的程式碼自動完成易受後門攻擊，作者提出CodeTracer框架透過行為指紋與語意比對，在僅有錯誤完成事件與微調語料的條件下，成功追溯至惡意樣本，實驗顯示其準確率遠高於既有方法，此技術有望提升開發者對模型供應鏈的可視性，並促使業界加強資料清查與防護機制。
深度分析
研究指出大型語言模型的程式碼自動完成易受後門攻擊，作者提出CodeTracer框架透過行為指紋與語意比對，在僅有錯誤完成事件與微調語料的條件下，成功追溯至惡意樣本，實驗顯示其準確率遠高於既有方法，此技術有望提升開發者對模型供應鏈的可視性，並促使業界加強資料清查與防護機制。
深度分析
隨著大型語言模型（LLM）被廣泛應用於決策支援與陪伴角色，理解其行為差異愈發重要。這項研究以交叉隨機效果模型分析十款開放權重模型，對超過十萬個詞彙在十四項語言心理評量上的約七千四百九十萬筆評分進行拆解，旨在區分共通語義、系統性回應偏差與刺激專屬的個體性（machine individuality）。