查看“WikiEdge:ArXiv速递/2025-04-29”的源代码

== 摘要 ==
* '''原文标题'''：Refined Predictions for Starobinsky Inflation and Post-inflationary Constraints in Light of ACT
* '''中文标题'''：基于ACT观测对Starobinsky暴胀模型的精确预测及暴胀后约束
* '''发布日期'''：2025-04-29 13:36:14+00:00
* '''作者'''：Manuel Drees, Yong Xu
* '''分类'''：astro-ph.CO, hep-ph
*'''原文链接'''：http://arxiv.org/abs/2504.20757v1
'''中文摘要'''：摘要：[[阿塔卡马宇宙学望远镜]]（[[ACT]]）的最新测量数据结合[[普朗克卫星]]和[[DESI]]数据表明，[[谱指数]]$n_s$的数值有所升高。这使得在使用常规[[解析近似]]时，[[Starobinsky暴胀模型]]在$N_\star \approx 60$的[[电子折叠数]]情况下处于$2\sigma$约束边界。我们提出了超越常用解析近似的Starobinsky暴胀精细化预测，通过改进[[表达式评估模型]]，证明当$N_\star \gtrsim 60$时该模型仍符合当前$2\sigma$水平的观测约束。此外，我们研究了ACT结果对[[暴胀后再加热]]参数的启示，具体发现再加热期间有效[[状态方程]]参数的下限约为$\omega \gtrsim 0.462$——这排除了导致$\omega \simeq 0$的纯[[微扰再加热]]机制。在假设$\omega \leq 1$条件下，[[再加热温度]]被约束为$T_{\text{rh}} \lesssim 2 \times 10^{12}~\text{GeV}$。进一步研究表明，若再加热温度满足$4~\text{MeV} \lesssim T_{\text{rh}} \lesssim 10~\text{GeV}$且$0.8 \lesssim \omega \leq 1$，谱指数和[[张量-标量比]]的预测值可落在ACT最新约束的$1\sigma$范围内。

== 摘要 ==
* '''原文标题'''：Secure Coding with AI, From Creation to Inspection
* '''中文标题'''：基于人工智能的安全编码：从生成到审查
* '''发布日期'''：2025-04-29 14:30:14+00:00
* '''作者'''：Vladislav Belozerov, Peter J Barclay, Ashkan Sami
* '''分类'''：cs.SE, cs.CR
*'''原文链接'''：http://arxiv.org/abs/2504.20814v1
'''中文摘要'''：摘要：尽管先前研究已探讨过[[ChatGPT]]等[[大型语言模型]]生成[[代码]]的[[安全性]]，但这些研究均在受控实验环境下进行，并未使用实际[[开发者]]交互中生成或提供的代码。本文不仅基于[[DevGPT]]数据集中整理的开发者真实交互记录，检验了[[ChatGPT]]生成代码的[[安全性]]，还评估了其发现和修复[[漏洞]]的能力。我们使用[[静态扫描器]]分析了1,586段[[C]]、[[C++]]和[[C#]]代码片段，在124个文件中检测到潜在问题。经人工分析后，筛选出包含32个确认[[漏洞]]的26个文件进行深入研究。通过[[OpenAI API]]将这些文件提交给[[ChatGPT]]，要求其检测[[安全问题]]、识别对应的[[通用缺陷枚举]]编号并提出修复方案。对响应内容和修改后的代码进行人工复审和[[漏洞]]重扫描后发现：[[ChatGPT]]成功检测出32个[[安全问题]]中的18个，修复了17个问题，但未能识别或修复其余[[漏洞]]。值得注意的是，其中仅10个[[漏洞]]源自用户提示，而22个是由[[ChatGPT]]自身引入的。我们向[[开发者]]强调：相比自主编写的代码，[[ChatGPT]]生成的代码更可能包含[[漏洞]]。此外，[[ChatGPT]]有时会以明显自信的态度报告错误信息，可能误导经验不足的[[开发者]]。研究结果证实了先前结论，表明[[ChatGPT]]在生成安全代码和识别所有[[漏洞]]方面均不够可靠，这凸显了[[静态扫描器]]和人工审查的持续重要性。

== 摘要 ==
* '''原文标题'''：Secure Coding with AI, From Creation to Inspection
* '''中文标题'''：基于人工智能的安全编码：从创建到审查
* '''发布日期'''：2025-04-29 14:30:14+00:00
* '''作者'''：Vladislav Belozerov, Peter J Barclay, Ashkan Sami
* '''分类'''：cs.SE, cs.CR
*'''原文链接'''：http://arxiv.org/abs/2504.20814v1
'''中文摘要'''：摘要：尽管先前研究已探讨过[[ChatGPT]]等[[大型语言模型]]生成[[代码]]的[[安全性]]，但这些研究均在受控实验环境下进行，并未使用实际[[开发者]]交互中生成或提供的代码。本文不仅基于[[DevGPT]]数据集中整理的开发者真实交互数据，检验了[[ChatGPT]]生成代码的[[安全性]]，还评估了[[ChatGPT]]发现并修复这些[[漏洞]]的能力。我们使用[[静态扫描器]]分析了1,586个[[C]]、[[C++]]和[[C#]]代码片段，在124个文件中检测到潜在问题。经人工分析后，筛选出包含32个已确认[[漏洞]]的26个文件进行深入研究。通过[[OpenAI API]]将这些文件提交给[[ChatGPT]]，要求其检测[[安全问题]]、识别对应的[[通用缺陷枚举]]编号并提出修复方案。对反馈内容和修改后的代码进行人工审查并重新扫描[[漏洞]]后发现：[[ChatGPT]]成功检测出32个[[安全问题]]中的18个，修复了17个问题，但未能识别或修复其余[[漏洞]]。值得注意的是，其中仅10个[[漏洞]]源自用户提示，而22个由[[ChatGPT]]自身引入。我们向[[开发者]]强调：相比自主编写的代码，[[ChatGPT]]生成的代码更可能包含[[漏洞]]。此外，[[ChatGPT]]有时会以明显自信的态度报告错误信息，可能误导经验不足的[[开发者]]。研究结果证实了先前结论，表明[[ChatGPT]]在生成安全代码或识别所有[[漏洞]]方面均不够可靠，这凸显了[[静态扫描器]]和人工审查的持续重要性。

== 摘要 ==
* '''原文标题'''：Secure Coding with AI, From Creation to Inspection
* '''中文标题'''：基于人工智能的安全编码：从创建到审查
* '''发布日期'''：2025-04-29 14:30:14+00:00
* '''作者'''：Vladislav Belozerov, Peter J Barclay, Ashkan Sami
* '''分类'''：cs.SE, cs.CR
*'''原文链接'''：http://arxiv.org/abs/2504.20814v1
'''中文摘要'''：摘要：尽管先前研究已探讨过[[ChatGPT]]等[[大型语言模型]]生成[[代码]]的[[安全性]]，但这些研究均在受控实验环境下进行，并未使用实际[[开发者]]交互中生成或提供的代码。本文不仅基于[[DevGPT]]数据集中整理的开发者真实交互数据，检验了[[ChatGPT]]生成代码的[[安全性]]，还评估了其发现和修复[[漏洞]]的能力。我们使用[[静态扫描器]]分析了1,586个[[C]]、[[C++]]和[[C#]]代码片段，在124个文件中检测到潜在问题。经人工分析后，筛选出包含32个确认[[漏洞]]的26个文件进行深入研究。通过[[OpenAI API]]将这些文件提交给[[ChatGPT]]，要求其检测[[安全问题]]、识别对应的[[通用缺陷枚举]]编号并提出修复方案。对响应内容和修改后的代码进行人工复审和[[漏洞]]重扫后，发现[[ChatGPT]]成功检测出32个[[安全问题]]中的18个，修复了17个问题，但未能识别或修复其余[[漏洞]]。值得注意的是，其中仅10个[[漏洞]]源自用户提示，而22个由[[ChatGPT]]自身引入。我们向[[开发者]]强调：相比自行编写的代码，[[ChatGPT]]生成的代码更可能包含[[漏洞]]。此外，[[ChatGPT]]有时会以明显自信的态度报告错误信息，可能误导经验不足的[[开发者]]。研究结果证实了先前结论，表明[[ChatGPT]]在生成安全代码和识别所有[[漏洞]]方面均不够可靠，这凸显了[[静态扫描器]]和人工审查的持续重要性。