基于混合专家微调大语言模型的智能合约漏洞检测

ACM Transactions on Software Engineering and Methodology · 2026-10-26 · 期刊论文

• 一句话结论：结论：在重入、时间戳、整数溢出/下溢、委托调用四类漏洞上，MOS 的 F1 与准确率均高于所比较的现有方法，平均提升 6.38%（F1）与 4.84%（准确率），方向为正向；但证据档位为 C，属作者自报的对比结果。
• 研究设计与做法：设计与做法：属方法学研究，提出基于大语言模型混合专家微调（MOE-Tuning）的检测框架；先在大规模智能合约数据上做持续预训练，再构建经专家核验的微调数据集，并设计漏洞感知路由机制与双目标损失。样本量、对照设置细节与随访时长材料未报告。
• 主要结果：主要结果：四类基础漏洞上平均 F1 提升 6.38%、准确率提升 4.84%；解释质量经人工与大模型联合评估，在 4 分制下正确性、完整性、简洁性获 3–4 分的比例分别为 82.96%、85.21%、94.58%。置信区间与 p 值材料未报告。
• 机制或解释：机制或解释：作者归因于三点——持续预训练提供领域增强初始化；路由机制按代码特征激活最相关专家网络，缓解程序分析依赖预定义模式的问题；辅助损失平衡专家使用率，改善复杂漏洞场景表现。
• 局限与边界：局限与边界：摘要仅提及在四类历史基础漏洞上验证，扩展性实验描述被截断；对比基线、数据集来源、是否单数据集、误报率改善幅度及利益冲突均材料未报告；证据档位为 C，结论强度有限。
• 可否落地：可否落地：对智能合约审计工具研发有参考价值，提示混合专家微调可兼顾检测与解释输出；但当前仅为单一研究自报结果，属「提示」档，尚不足以下结论认为可替代现有审计流程，需独立复现与真实部署评估。

🔗 打开原文

Hang Yuan, Lei Yu, Zhirong Huang 等

本文摘自《每日前沿研究简报 · 2026-10-28》「信息科学」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。