FormAI 数据集利用动态零 - shot 提示技术构建，包含 11.2 万个 AI 生成的可以编译和独立运行的 C 程序，按漏洞类型进行了分类，并采用 SMT-based Bounded Model Checker 方法进行了验证，检测出漏洞并提供反例，用于评估各种静态和动态分析工具的效果以及用于训练大型语言模型和机器学习算法。

Jul, 2023

Assemblage 是一个可扩展的基于云的分布式系统，用于获取高质量的二进制语料库，以训练二进制分析的先进模型。它可以通过爬取、配置和构建 Windows PE 二进制文件来获取高质量的二进制语料库，并支持用户发布数据集的 “recipes” 和提取各种特征。

May, 2024

比较引用 Microsoft 恶意软件分类挑战数据集的出版物，为该领域的潜在研究方向和未来数据集的性能评估提供高水平的比较。

Feb, 2018

本文章提出了一种最新的自然语言处理生成 Bash Commands 的方法，并介绍了一个自动生成最新、规模是前几个数据集 6 倍以上、自动化程度更高的 NL2CMD 数据集，这个数据集不依赖已有的 Bash Commands，其类型和分布可以自由调整，这对于语义分析的研究者提供了新的机会。

Feb, 2023

本研究比较分析了最先进的大型语言模型（LLMs），研究了它们使用中性的零 - shot 提示来编写简单 C 程序时生成漏洞的可能性。通过引入 FormAI-v2 数据集，该研究扩展了之前的工作，并包含了使用各种 LLMs 生成的 265,000 个可编译的 C 程序。研究揭示了至少 63.47％的生成程序存在漏洞，并提醒在生产环境中使用 LLMs 生成的代码时需要进行风险评估和验证。

Apr, 2024

本研究构建了一个考核数据科学笔记本中 Pandas 数据分析框架的代码生成问题集 ARCADE，并开发了一个 Python 计算笔记本的代码语言模型 PaChiNCo，该模型可以通过少量提示生成更好的代码，提高了模型预测的多样性和可解释性。

Dec, 2022

本文介绍了一个包含三十种编程语言的开源代码数据集 The Stack，以及如何构建、管理和使用该数据集来训练大型语言模型，通过在 Python 子集上训练 350M 参数解码器，在文本到代码的基准测试上取得了有前途的结果。

Nov, 2022

使用转移学习技术，提出了一种智能自动软件漏洞检测模型，通过使用各种编程语言的代码样本训练卷积神经网络（CNN）模型，并使用可解释人工智能，成功检测出 C 和 Java 代码中的常见漏洞。

Mar, 2023

下一代 AI 系统需要强有力的安全保证。本报告研究了神经网络和相关内存安全性质的软件实现，包括空指针引用、越界访问、double-free 和内存泄漏。我们旨在检测这些漏洞，并借助大型语言模型自动修复它们。为此，我们首先通过程序突变的自动化过程，将现有的神经网络代码数据集 NeuroCodeBench 的规模扩大到约 81k 个程序。然后，我们使用最先进的软件验证器 ESBMC 验证突变的神经网络实现的内存安全性。每当 ESBMC 发现漏洞时，我们会调用一个大型语言模型来修复源代码。在最新的任务中，我们比较了各种最先进的提示工程技术，以及重复调用大型语言模型的迭代方法的性能。

May, 2024

通过提供一个可完全执行的、由 450,000 个错误 / 修复的代码对组成的数据集及其测试 / 编译基础设施和详细的 bug 类型标签，本文旨在促进神经程序修复技术向可执行代码表示转型，提高基于执行的特征的使用，并通过包括多种不同语言的数据集，平衡当前 Automated Program Repair 数据集和基准测试方向中 Java 语言的主导地位。

Apr, 2023