GoCoMA：基于双曲 Poincaré 球嵌入的大语言模型生成代码溯源多模态表征融合

arXiv:2604.16377v1 Announce Type: new \n\n摘要：在大规模代码语料库上训练的大语言模型（LLMs）如今已越来越能够生成难以与人类编写代码区分的代码。这引发了实际安全问题，包括安全漏洞和许可模糊性，同时也引出了一个取证问题："这段代码是谁（或哪个 LLM）写的？" 我们提出了 GoCoMA，一个多模态框架，用于建模（i）代码文体学与（ii）二进制可执行产物（BPEA）图像表示之间的外在层级关系：前者捕获高层级结构和风格特征，后者捕获由编译和工具链塑造的低层级、面向执行的字节语义。GoCoMA 将模态嵌入投影到双曲 Poincaré 球中，通过基于测地线余弦相似度的跨模态注意力（GCSA）融合机制进行融合，并将融合后的表征投影回欧几里得空间以完成最终的 LLM 来源溯源。在两个开源基准数据集（CoDET-M4 和 LLMAuthorBench）上的实验表明，GoCoMA 在相同的评估协议下始终优于单模态和欧几里得多模态基线方法。