本文探讨了基于深度学习的漏洞检测方法，提出了VulDeePecker和VulBERTa等系统，利用开源代码进行训练，显著提高了漏洞检测的准确性和效率。研究表明，大型语言模型在漏洞检测中表现优越，未来可为软件安全提供重要支持。

该研究提出了一种基于人类编程阶段的生成和编辑方法，以提高大型语言模型在竞争性编程任务方面的代码质量。研究对9种常见代码生成LLM使用不同参数大小在两个竞争性编程数据集上进行了评估，结果表明该方法在APP-dev、APPS-test和HumanEval上的表现优于其他后处理方法。