CodeScan 用黑盒漏洞导向扫描审计代码生成大模型，在 117 个模型上实现 97% 以上投毒检测准确率
该工作提出 CodeScan，一个黑盒、面向特定漏洞类别的代码生成大模型投毒与后门扫描框架：它通过在不同干净提示下多次生成、结合迭代分歧分析与基于抽象语法树（AST）的归一化来提取跨生成稳定复现的结构，再用基于大模型的漏洞分析判断这些结构是否含安全漏洞，从而在防御者指定目标漏洞类别并提供任务相关提示的前提下标记被污染模型；在四类代表性攻击、后门与投毒两种设置、三类真实漏洞上，对跨三种架构和多种规模的 117 个模型进行实验，报告 97% 以上的检测准确率，且误报显著低于既有方法。