PropertyGPT:通过递归加智能规则生成从而实现智能合约的 LLM 驱动形式验证
通过使用大型语言模型,我们提出了 PropTest 策略来改进可视化编程,这一策略可生成用于测试可视化属性的代码解决方案,提高可视化推理任务的性能和泛化能力。
Mar, 2024
利用 MolecularGPT,基于大规模语言模型对分子指令进行微调,并通过零样本和少样本的上下文学习,在少样本分子预测任务中取得新的竞争性结果,显示出语境推理能力优势,超过传统的图神经网络方法和现有语言模型基线,为语言模型在少样本分子特性预测中的应用发展提供了潜力。
Jun, 2024
利用 GPT 与静态分析结合的智能合约逻辑漏洞检测工具 GPTScan,具有高准确度和低误报率,快速且经济高效。
Aug, 2023
利用大型语言模型(LLMs)自动推荐属性,以增强科学论文的可发现性,并通过与 Open Research Knowledge Graph(ORKG)的比较分析评估 LLMs 的性能,发现 LLMs 在构建科学结构化推荐系统方面具有潜力,但需要进一步优化以提高与科学任务的一致性和模拟人类专业知识。
May, 2024
通过我们进行的持续研究,本文对利用 LLMs 挖掘智能合约中的漏洞的机遇、挑战和潜在解决方案进行了系统分析。我们提出了一种对抗性框架 GPTLens,通过将传统的一阶段检测分为两个协同的阶段 —— 生成和判别,以实现渐进检测和微调。GPTLens 是直观的、策略性的,完全依靠 LLM 驱动,展示了其方法的普遍性和发现广泛漏洞的潜力。
Oct, 2023
通过实验结果表明,尽管 GPT-4 在智能合约漏洞检测方面表现不佳,但其在合约代码解析和实例证明编写方面表现出重要的潜力,可以作为辅助工具增强智能合约安全审计的效率和效果。
Feb, 2024
基于大型语言模型,本文提出了一种名为 AuditGPT 的工具,用于自动全面地验证智能合约是否符合 ERC 规则,通过对四个流行 ERC 中的 222 个规则进行实证研究,设计了适用于每种 ERC 规则类型的优化提示,评估结果显示 AuditGPT 在效果、准确性和成本方面超越了专家提供的审计服务,从而展示了其在智能合约审计方面的先进性。
Apr, 2024
GPT-4 在计算材料科学中应用可以解决科学软件采用自定义输入语言的挑战以及由于描述模拟方法不足导致的研究结果复现性差的问题,通过生成正确的输入文件和详细的计算任务描述,减少研究者常规任务、加速新用户培训并提高结果可复现性。
Oct, 2023
基于大型语言模型(LLMs)和静态分析相结合,开发了一个基于 Rust 的形式验证框架 Verus 的原型。通过将验证任务分解为多个较小的任务,迭代地查询 GPT-4,并将其输出与轻量级静态分析相结合,这个原型显著减少了编写入门级证明代码的人力工作。
Nov, 2023
利用自然语言处理和大型语言模型的研究进展,本论文介绍了 PropertyExtractor,这是一个开源工具,利用 Google Gemini-Pro 和 OpenAI GPT-4 等先进的对话式大型语言模型,将零样本学习与有限样本上下文学习相结合,并采用设计的提示来动态完善结构化信息层次结构,实现材料性能数据的自主、高效、可扩展和准确的识别、提取和验证。我们在材料数据上的测试表明,精确度和召回率均超过 93%,误差率约为 10%,突显了工具包的有效性和多功能性。我们应用 PropertyExtractor 生成了一个二维材料厚度数据库,这是装置集成的关键参数。该领域的快速发展已经超过了实验测量和计算方法,造成了重要的数据空白。我们的工作填补了这一空白,并展示了 PropertyExtractor 作为可靠高效的自动生成多样化材料属性数据库的潜力,推动了这一领域的发展。
May, 2024