LLMs are All You Need? Improving Fuzz Testing for MOJO with Large Language Models

于 2025-12-13 08:30:00 发布
阅读量148 收藏
点赞数 5
CC 4.0 BY-SA版权
分类专栏： LLM Daily 文章标签： mojo 语言模型 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/c_cpp_csharp/article/details/155744759

该文章提出了首个针对MOJO语言的零样本学习环境下的LLM驱动模糊测试框架MOJOFuzzer，解决了MOJO缺乏测试框架和LLM训练语料导致的模型幻觉问题，显著提升了测试有效性并发现了13个未知漏洞。

一、文章主要内容总结

  1. 研究背景
    • MOJO作为融合Python易用性与C/C++效率的AI编程语言，虽能提升AI模型扩展性，但缺乏成熟测试框架和LLM训练语料。
    • 现有LLM模糊测试工具依赖大量领域数据，在MOJO这类新兴语言的零样本场景中，易生成语法正确但语义错误的代码，导致测试效果差。
  2. MOJOFuzzer框架设计
    • 初始化阶段：从MOJO官方GitHub和文档收集数据，清洗后得到约300个漏洞报告和1500个语法样本，用于构建提示库（Prompt Bank）和种子库（Seed Bank），并采用CoT和角色提示技术优化提示质量。
    • 变异阶段：基于变异评分（API调用数+代码复杂度）将种子分为高、低优先级，分别执行半变异（代码级修改）和全变异（提示级修改），提升测试多样性。
    • 微调阶段：分两阶段微调LLAMA2 13B模型，先学习MOJO语法规则，再学习历史漏洞模式，减少模型幻觉。
  3. 实验结果
    • 性能指标：MOJOFuzzer的API覆盖率达77
了解本专栏 订阅专栏 解锁全文 超级会员免费看
【论文阅读】Large Language Models for Equivalent Mutant Detection: How Far Are We?
网络空间安全|人工智能|计算机科学
11-18 1581
LLMs选择：包括CodeBERT、GraphCodeBERT、PLBART、CodeT5、UniXCoder、CodeT5+、StarCoder、Code Llama和ChatGPT。预训练代码嵌入策略：利用LLMs的编码器部分生成代码嵌入向量，并通过多层感知机（MLP）分类器进行预测。微调策略：在训练过程中同时更新编码器和分类器的参数。零样本提示策略：直接利用突变对和结构指令提示LLMs进行检测。少量样本提示策略：通过少量示例学习突变对和语义等价性的关系。指令微调策略。
大型语言模型（Large Language Models，LLMs）概览.docx
08-31
大型语言模型（Large Language Models，LLMs）概览
[论文笔记]Are Large Language Models All You Need for Task-Oriented Dialogue?
日积月累，天道酬勤
06-17 1675
⭐ 作者测试了基于LLM做领域识别、状态追踪和响应生成。但是状态追踪的效果不好，如果想用LLM做TOD需要额外加入状态追踪逻辑。
LLMs之FinDKG：《FinDKG: Dynamic Knowledge Graphs with Large Language Models for Detecting Global Trends
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
12-15 1703
​ LLMs之FinDKG：《FinDKG: Dynamic Knowledge Graphs with Large Language Models for Detecting Global Trends in Financial Markets》翻译与解读 目录 《FinDKG: Dynamic Knowledge Graphs with Large Language Models for Detecting Global Trends in Fina
LLMs之Text2SQL：《A Survey of NL2SQL with Large Language Models: Where are we, and where are we going?》
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
08-17 2211
​ LLMs之Text2SQL：《A Survey of NL2SQL with Large Language Models: Where are we, and where are we going?》翻译与解读 目录 《A Survey of NL2SQL with Large Language Models: Where are we, and where are we going?》翻译与解读 Abstract
阅读笔记——《Fuzz4All: Universal Fuzzing with Large Language Models》
计算机硕士的博客
07-10 1581
阅读笔记——《Fuzz4All: Universal Fuzzing with Large Language Models》——使用LLM，以用户提供的描述SUT的文档为输入，自动将所有用户提供的输入提炼为简洁有效的模糊提示。再将该提示输入到LLM中，以生成模糊测试输入。
The Era of 1-bit LLMs: All Large Language Models are in 1.58 Bits
liferecords的博客
02-29 1369
近期的研究，例如BitNet，正在为1-bit大型语言模型（LLMs）的新时代铺平道路。在本工作中，我们介绍了一个1-bit LLM的变体——BitNet b1.58，其中LLM的每一个参数（或称为权重）均为三值{-1, 0, 1}。BitNet b1.58在复杂度和末端任务性能上与同等模型大小和训练令牌的全精度（即FP16或BF16）Transformer LLM匹敌，同时在延迟、内存、吞吐量和能源消耗等方面成本更低。
[论文阅读]Label-free Node Classification on Graphs with Large Language Models (LLMS)
m0_52911108的博客
10-13 1179
四个组件：难度感知的主动节点选择、置信度感知标注、后过滤，以及 GNN 模型训练与预测。解决了图神经网络（GNN）在节点分类任务中对高质量标签的依赖问题，同时提供了一种高效且经济的无标签节点分类方法论文提出了一种融合GNN和大型语言模型（LLM）的方法，称为LLM-GNN。这种方法通过利用LLM的零样本学习能力，减少了对高质量标签的需求，从而降低了标注成本。LLM-GNN通过主动选择节点供LLM注释，并基于这些注释训练GNN，实现了高效的无标签节点分类。
[论文笔记]Query Rewriting for Retrieval-Augmented Large Language Models
日积月累，天道酬勤
06-11 3247
⭐ 作者提出了可在查询之前先应用LLM作为重写器对问题进行重写，然后再走RAG的流程。同时也提出了可以训练一个小模型来作为重写器。但博主对该小模型的泛化能力存疑。建议还是通过在提示词中给一些示例，让LLM进行重写。
Financial Statement Analysis with Large Language Models论文精读
weixin_52185313的博客
06-17 2993
我们研究了一种大型语言模型（LLM）是否能够像专业人类分析师一样成功地进行财务报表分析。我们向GPT-4提供标准化且匿名的财务报表，并指示模型分析这些报表以预测未来的收益变化方向。即使在没有任何叙述性或行业特定信息的情况下，LLM在预测收益变化方面的表现优于财务分析师。LLM在分析师通常表现不佳的情况下表现出相对优势。此外，我们发现LLM的预测准确性与经过专门训练的最先进机器学习模型的表现相当。LLM的预测并非来自其训练数据的记忆。相反，我们发现LLM生成了关于公司未来表现的有用见解。
[Paper Learning] Automatic Interactive Evaluation for Large Language Models with State Aware Patient
weixin_46620878的博客
05-26 1159
Paper Learning: AIE for LLMs with SAP
使用MATLAB的大型语言模型（LLM）Large Language Models (LLMs) with MATLAB
07-27
使用MATLAB的大型语言模型（LLM） 将MATLAB连接到Ollama（用于本地LLM）、OpenAI聊天完成API（支持ChatGPT）和AzureOpenAI服务 使用MATLAB的大型语言模型（LLM） 在MATLAB中打开文件交换上的MATLAB在线查看大型...
中文翻译的 Hands-On-Large-Language-Models (hands-on-llms)，动手学习大模型
08-21
随着人工智能领域的迅速发展，大型语言模型（Large Language Models，LLMs）已经成为推动自然语言处理（Natural Language Processing，NLP）进步的核心技术之一。这些模型以其卓越的文本理解能力、强大的文本生成...
深入探索 Chrome 中渲染进程与浏览器进程之间的 Mojo IPC 通信机制
John_ToStr的博客
12-07 884
本文探讨了Chrome浏览器中MojoIPC通信机制，重点分析其在多进程架构下的应用。Chrome采用浏览器进程、渲染进程等多进程设计以提高安全性和稳定性，而MojoIPC作为高效的跨平台通信框架，实现了这些进程间的异步数据交换。文章详细阐述了Mojo的工作原理，包括接口定义、消息传递和管道机制，并以主题色更新为例展示了渲染进程与浏览器进程的通信流程。相比传统IPC技术，Mojo在性能、跨平台性和灵活性方面更具优势。随着发展，Mojo有望在更多领域优化Chrome的进程间协作效率。
​如何用AI处理音乐音频消除作品信息里的 AI 痕迹-程序员音乐人卓伊凡
一颗优雅草科技-央千澈的优快云博客~只想无穷无尽的学习~作息早8-晚8
12-11 874
​如何用AI处理音乐音频消除作品信息里的 AI 痕迹-程序员音乐人卓伊凡
深度学习下载包时可能会遇到的问题及解决方案
m0_50481455的博客
12-09 490
若确实下载安装了CUDA ，但是此时输出的CUDA是否可用为否，应该是torch的版本为cpu版本导致，刚刚的下载包的语句如果总是下载的是cpu版本，我们考虑直接去网站下指定包，再进行安装。CUDA Version表示的是驱动支持的最高 CUDA 版本，去官网下载 CUDA ，我这里是12.2，表示下载的版本最大只能是12.2。然后下载包时，比如本地环境是Python3.9，找包下载时候，3.9要下对应cp39的包。下载好后，执行语句安装。
精品数据分享 | 锂电池数据集（七）同济大学电池数据集
12-11 677
本期继续分享一篇Nature communicationTop论文公开锂离子电池数据，划重点-数据集开源，代码开源！！！
vLLM推理引擎教程4-离线推理功能
最新发布
benben044的专栏
12-12 351
本文介绍了使用vLLM框架优化推理性能的多种方法。主要内容包括：1）基础文本生成、对话式推理、文本分类和嵌入提取四种任务的基本实现；2）自动前缀缓存功能，通过共享KV缓存加速长上下文处理；3）使用YARN方法扩展模型上下文长度；4）多模态任务处理示例（Whisper语音识别）；5）底层LLMEngine API的使用。文章通过具体代码示例展示了如何设置参数实现各类推理优化，包括温度调节、top-p采样、缓存复用等技巧，适用于文本生成、分类、嵌入等多种NLP任务场景。
观成科技:Zloader木马家族加密流量分析
GCKJ_0824的博客
12-12 421
摘要：Zloader木马最初作为银行木马Zeus的下载器，现被广泛用于勒索软件投递。其采用多种加密通信技术规避检测：1）DGA技术生成随机域名；2）DNS隧道隐藏数据；3）HTTPS加密通信；4）Websocket掩码加密。最新版本通过会话密钥强化DNS隧道加密。观成科技利用AI模型结合TLS指纹检测HTTPS加密流量，持续通过行为分析和机器学习应对加密威胁。研究表明，恶意软件正不断升级流量对抗技术，凸显加密流量检测的重要性。（149字）
《Do LLMs Possess a Personality? Making the MBTI Test an Amazing Evaluation for Large Language Models》这篇论文发表在哪个会议上
06-13
经过查询，论文《Do LLMs Possess a Personality? Making the MBTI Test an Amazing Evaluation for Large Language Models》并未明确提及发表的具体会议或期刊。然而，类似主题的研究通常会出现在与自然语言处理、人工智能伦理及心理学交叉领域相关的顶级会议上，例如 ACL (Annual Meeting of the Association for Computational Linguistics)、EMNLP (Conference on Empirical Methods in Natural Language Processing) 或 NeurIPS (Conference on Neural Information Processing Systems)[^1]。 以下是这些会议的简要介绍： - **ACL** 是计算语言学领域的旗舰会议，涵盖语言技术和理论的广泛议题。 - **EMNLP** 专注于经验方法在自然语言处理中的应用，适合讨论涉及大规模数据集和模型评估的研究。 - **NeurIPS** 则是机器学习和计算神经科学领域的重要会议，适合探讨大型语言模型的行为特性及其社会影响。 如果该论文已公开发布，可以通过其引用信息或相关数据库（如 arXiv、Google Scholar）进一步确认具体会议。 ### 示例代码：查找论文所属会议 以下是一个简单的 Python 脚本，用于通过标题搜索论文并返回可能的会议信息： ```python import requests def search_paper_conference(title): url = "https://api.semanticscholar.org/graph/v1/paper/search" params = { "query": title, "limit": 1 } headers = {"Content-Type": "application/json"} response = requests.get(url, params=params, headers=headers) if response.status_code == 200: data = response.json() if data["data"]: paper = data["data"][0] return f"Paper found: {paper['title']}, Conference/Journal: {paper.get('venue', 'Unknown')}" return "Paper not found or no conference information available." title = "Do LLMs Possess a Personality? Making the MBTI Test an Amazing Evaluation for Large Language Models" print(search_paper_conference(title)) ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值