小型语言模型逆向工程机器学习流水线结构研究
Get the story
2026年10月8日，arXiv Software Engineering 刊登一项研究，评估小型语言模型（SLM）能否凭借代码理解与分类能力，从源代码中提取机器学习（ML）流水线各阶段。研究通过 Cochran's Q 检验比较多个 SLM，并用 McNemar 检验将最佳模型与现有方法对比。结果显示，分类法措辞会显著影响性能，最佳 SLM 表现良好但未超越其他分类器。研究认为 SLM 无需微调即有前景，但存在推理成本高、限制大规模研究适用性等局限。
Generated from reports · updated 3 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Software Engineering用小型语言模型逆向工程机器学习流水线结构
研究评估小型语言模型（SLM）能否凭借代码理解与分类能力，从源代码中提取机器学习（ML）流水线各阶段。研究通过 Cochran's Q 检验比较多个 SLM，并用 McNemar 检验将最佳模型与现有方法对比，发现分类法措辞显著影响性能，最佳 SLM 表现良好但未超越其他分类器。SLM 无需微调即有前景，但存在推理成本高、限制大规模研究适用性等局限。
Heat trend
Current heat 9·Comparable peak 10（Oct 8）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.