研究发现，现有漏洞数据集在质量和准确性上存在不足，影响了代码语言模型在漏洞检测中的表现。引入PrimeVul数据集进行评估，结果显示现有基准高估了模型性能，强调了安全领域创新研究的必要性。

研究提出了一种无需训练即可检测大型语言模型生成代码的方法，降低滥用风险。通过修改零样本文本检测方法，利用白盒模型估计标记概率，成功识别生成代码。实验显示，该方法在多个模型上表现优异，对修订攻击具鲁棒性，并适用于Java代码。小型模型PolyCoder-160M在检测中优于大型模型。