本研究提出CGP-Tuning，一种结构感知软提示调优方法，旨在提高代码漏洞检测效果。该方法通过类型感知嵌入捕捉代码图的语义信息，并设计跨模态对齐模块，使得在DiverseVul数据集上的准确率提高3.5个百分点，同时保持对长源代码的检测能力。

本研究探讨了大型预训练语言模型在代码漏洞检测中的应用，微调了四种开源模型并与中型模型进行了对比，展示了其在检测代码漏洞方面的潜力，尤其针对样本长度和类别不平衡问题。研究成果可供社区使用，推动该领域发展。

本研究探讨数据窥探对神经网络代码漏洞检测的影响，结果显示其对模型性能影响有限，且GPT-2嵌入模型在复杂代码特征表示方面表现出良好的鲁棒性。

该文介绍了一种结合RoBERTa和GCN模型的多任务分类器，用于代码漏洞检测。该模型采用语义性漏洞图降低偏差，结合Focal Loss目标函数降低数据集不平衡的影响。在多个数据集测试中，该模型表现优异，能够提高检测效果，并在针对Github代码库的N-day程序样本的测试中表现出93%的准确率，能够检测出4种零日漏洞。