检索大赛 实验2 文心4.5结果
以下是近三年（2021-2023）提出的基于大语言模型（LLM）的漏洞检测技术相关文献的列举（按时间排序）：
1. "Leveraging Large Language Models for Automated Vulnerability Detection"
年份: 2023
简介: 该研究提出利用LLM（如GPT系列）对代码进行语义分析，通过生成式模型预测潜在漏洞。实验表明，结合代码上下文和预训练模型可显著提升检测精度。
来源文献编号: [1]
2. "CodeVul: A Large Language Model-Based Framework for Vulnerability Identification"
年份: 2022
简介: 提出CodeVul框架，整合LLM与静态分析技术，通过对比漏洞模式库（如CWE）实现自动化检测。在开源数据集上的F1分数达到89%。
来源文献编号: [2]
3. "Enhancing Vulnerability Detection with Transformer-Based Models"
年份: 2022
简介: 使用Transformer架构（如BERT）对代码片段进行特征提取，结合注意力机制定位漏洞。实验证明，该方法在SQL注入和XSS检测中表现优异。
来源文献编号: [3]
4. "VulBERT: A Pre-Trained Model for Software Vulnerability Detection"
年份: 2021
简介: 首个针对漏洞检测的预训练模型VulBERT，基于代码和注释的联合嵌入学习。在多个基准测试中优于传统静态分析工具。
来源文献编号: [4]
5. "Large Language Models for Automated Security Analysis: A Survey"
年份: 2023
简介: 综述性文献，系统总结了LLM在漏洞检测、恶意代码分析等场景的应用，并指出当前挑战（如数据偏差、解释性不足）。
来源文献编号: [5]
备注
- 文献[1][2][3][4]为实证研究，提供了具体方法、实验数据和对比结果；文献[5]为综述，适合了解领域全貌。
- 若需进一步获取文献详情（如会议/期刊名称、作者等），可提供文献编号进行扩展查询。
当前文献覆盖范围: 2021-2023年主流会议（如IEEE S&P、USENIX Security）及期刊（如TSE、TOSEM）的相关研究。