使用神经机器翻译技术进行反编译，可以使得反编译的支持范围更广，但过度的语言特定领域知识会增加支持新语言的负担。因此，研究者提出了一种使用神经机器翻译将程序汇编语言和源码语言看作纯文本的方案，并成功地应用于多种语言的反编译中。在参数调整和评估中，该方案相比其他基于神经机器翻译的反编译技术，在较少领域知识的情况下实现了相当的反编译精度。

Dec, 2022

通过发表首个开源的用于反编译的大型语言模型 (LLMs)，以及引入考虑重新编译和重新执行性能的第一个数据集 Decompile-Eval，本研究从程序语义的角度评估了反编译模型。实验证明，LLM4Decompile 能够准确反编译 21% 的汇编代码，这相较于 GPT-4 有了 50% 的改进。

Mar, 2024

本文研究了利用大型预先训练的源代码模型来对反编译二进制文件的函数进行自动摘要，建立了一个包含多种编译器优化的数据集 CAPYBARA，进一步生成了合成数据集来优化模型性能，并创造了 BinT5 模型，成功地用于反汇编二进制代码中。

Jan, 2023

提出一种名为 “ool” 的方法，通过程序分析和转换技术将动态神经网络转化为多个子神经网络，使得现有的 DL 编译器成功编译动态神经网络实现更好的性能。

Jul, 2023

该论文提出了一种自适应神经编译框架来解决高效节目的学习问题，并展示了如何使用可微表示将程序编译为不同 iable 的表示，并通过考虑输入数据分布来优化这种表示，以实现为给定数据分布学习特定调整算法的目标。

May, 2016

介绍了一种基于大规模语言模型的编程系统 ANPL，能够通过自然语言描述生成程序功能，主要解决了用户如何编辑和调试 LLMS 所生成的程序的难题。在 Abstraction and Reasoning Corpus 任务的基础上，通过把任务分解为模块，并使用 ANPL 编译器将模块正确组装成 Python 程序，展示 ANPL 能够优于没有交互分解任务能力的基准程序系统。

May, 2023

本文提出了一种名为 COMPCODER 的三阶段编译反馈机制，采用编译器反馈来生成可编译的代码，实验结果显示该方法的成功编译率从 44.18％提升至 89.18％。

Mar, 2022

本文提出了一种新的方法，使用低级别的编译器中间表示 (IR) 来提高代码的翻译质量，不同于使用传统转换方法的手工指定规则，使用神经机器翻译 (NMT) 方法进行翻译，并将 IRs 作为中间变量，能够在 C ++，Java，Rust 和 Go 语言中获得自然的翻译结果，平均提高正确翻译数 11％，在一些语言对中高达 79％，同时还将 IRs 用作翻译的中间枢轴。

Jun, 2022

该研究介绍了一种使用深度神经网络在概率编程模型中分摊推断成本的方法，并将深度学习与概率编程方法的优势相结合。这种名为 “编译推断” 的方法将用通用编程语言编写的概率程序的语义规范转换为用神经网络规范语言表示的训练过的神经网络，从而实现了原始模型的近似推断。

Oct, 2016

在这篇论文中，我们提出了使用无监督机器翻译的最新方法来训练一种全自动的神经源代码转换器，并演示了它在 C ++，Java 和 Python 之间以高精度翻译功能。

Jun, 2020