代码的“笔迹学”:你的AI代码助手,藏着独一无二的“指纹”

当AI写的代码遍布互联网，我们还能分清它是ChatGPT、Claude还是DeepSeek的手笔吗？

一段代码，能暴露它的“亲生父亲”

想象这样一个场景：你打开一个开源项目，看到一段优雅的Python函数，代码简洁、注释清晰。它可能是某位资深工程师熬夜写的，也可能是你随手召唤的AI助手几秒钟生成的。但如果是AI，你能看出它出自哪个模型吗？是温文尔雅的Claude，还是逻辑缜密的ChatGPT？

这听起来像科幻小说，但四川大学的研究团队最近在代码归因领域投下了一枚重磅炸弹——他们发现，不同的大语言模型在生成代码时，会留下独一无二的“指纹”，就像人类的笔迹一样，可以被识别、被追溯。

这项研究名为 《Code Fingerprints: Disentangled Attribution of LLM-Generated Code》，首次系统定义了“LLM代码来源归因”任务，并提出了一个能精准识别代码“亲生父亲”的框架——DCAN（解耦代码归因网络）。

为什么我们要“人肉”AI代码？

你可能会问：知道代码是谁写的，重要吗？

太重要了。

想象这些场景：

安全漏洞爆发：某天你的系统被攻破，黑客利用了一段AI生成的漏洞代码。如果不知道这段代码来自哪个模型，你就无法评估风险范围，也无法向模型提供商反馈修复。

版权纠纷：一家公司起诉你使用了他们模型生成的代码，侵犯了知识产权。你需要证明这段代码其实是另一家开源模型写的。

软件供应链审计：你的项目依赖大量AI生成的代码，如果某个模型被爆出“后门”，你需要快速定位哪些代码来自该模型，及时替换。

代码归因，就是给每一段AI生成的代码打上“出生证明”。

这篇聚焦LLM生成代码模型级溯源（LLMCSA）的研究，核心突破在于跳出“二进制检测”的局限，针对性解决多模型溯源的行业痛点。其核心成果可概括为三大亮点，每一个都直击行业需求：

1. 首次明确任务定义：清晰界定LLMCSA任务边界，填补了模型级代码溯源领域的定义空白，为后续研究划定清晰方向；

2. 构建标准化数据集：打造首个大规模基准数据集，涵盖9万+代码样本，为行业提供统一、可靠的评估载体；

3. 创新解纠缠策略：提出DCAN归因框架，精准分离代码中的“任务语义”与“模型指纹”，实现多场景下的高精度溯源，为实际应用提供可落地的技术方案。

2.1 溯源需求迫在眉睫

随着DeepSeek、Qwen、ChatGPT等主流LLM在软件开发中广泛应用，代码生成效率实现质的飞跃，但安全隐患与合规风险也随之攀升：生成代码出现漏洞、恶意逻辑，或涉嫌知识产权侵权时，若无法锁定生成模型，责任认定、风险处置便会陷入僵局。

而传统检测技术的局限的愈发明显——多数方法仅能区分“机器生成”与“人类编写”，面对多模型共存的实际场景，根本无法完成精准溯源；少数尝试模型级溯源的方案，要么依赖人工设计特征，主观性强、泛化性差，要么局限于单一编程语言，难以适配多样化的开发需求。

2.2 两大核心难点，卡壳行业发展

模型级代码溯源之所以难，核心在于两大“拦路虎”，也是川大团队重点攻克的方向：

1. 任务语义干扰：同一编程任务，不同LLM会生成功能相似、语法规范相近的代码，任务本身的语义信息会“掩盖”模型专属的生成风格，让传统方法难以区分；

2. 模型指纹隐蔽：LLM的训练数据、架构设计、解码机制存在差异，这些差异会转化为代码风格、token偏好等“生成指纹”，但这些指纹极其细微，传统特征提取方法根本抓不住。

针对这一痛点，研究团队提出核心假设：代码的潜在表示可拆分为“源无关信息”（任务语义）和“源专属信息”（模型指纹），只要通过技术手段将两者分离，就能突破溯源瓶颈，实现精准归因。

为验证假设、破解痛点，团队提出DCAN（解纠缠代码归因网络）框架，核心逻辑的是“分离干扰、聚焦指纹”，通过四大模块协同工作，实现高精度溯源，流程清晰、可落地性极强。

3.1 特征提取：捕捉代码的“完整信息”

作为DCAN的基础环节，特征提取的核心是获取包含“任务语义+模型指纹”的完整代码表示。团队选用预训练代码模型UniXCoder作为基础编码器，将分词后的代码片段输入其中，提取[CLS] token的隐藏状态作为基础表示h_base——这一步就像给代码做“全面扫描”，不放过任何隐藏的特征信息。

3.2 特征解纠缠：剥离干扰，锁定“专属指纹”

这是DCAN框架的“核心杀手锏”，也是突破语义干扰的关键。其核心目标是从h_base中，精准拆分出“源专属信息h_spec”（模型指纹）和“源无关信息h_com”（任务语义），两步就能实现高效分离：

1. 提取源无关信息h_com：通过MLP网络（MLP_com）对h_base进行投影转换，重点捕捉不同LLM在同一任务上的共享语义，确保h_com只包含任务信息，不掺杂任何模型特征；

2. 提取源专属信息h_spec：采用减法分解策略，通过h_spec = h_base - h_com，直接剥离任务语义干扰，只保留模型专属的风格、结构、token偏好等“核心指纹”——这一步，相当于给代码的“模型身份”做了精准提炼。

3.3 优化目标：兼顾精度与稳定性

为让DCAN既精准又稳定，团队设计了联合损失函数，平衡归因精度与解纠缠效果

1. 源分类损失：在h_spec基础上接入线性分类器，采用交叉熵损失，确保h_spec能精准区分不同LLM的生成特征，提升溯源精度；

2.表示一致性损失：通过最小化同一任务、不同模型生成代码的h_com余弦距离，进一步强化解纠缠效果，确保h_com只聚焦任务语义。

没有标准化数据集，溯源方法的评估就无从谈起。为填补这一空白，团队构建了首个大规模LLM生成代码归因基准数据集，样本充足、覆盖全面，为自身研究及后续行业探索提供了可靠支撑。

样本规模：共91,804条代码片段，数量充足，可充分支撑模型训练与测试；

覆盖范围：涵盖4大主流LLM（DeepSeek、Claude、Qwen、ChatGPT）、4种主流编程语言（Python、Java、C、Go），适配多场景溯源需求；

场景划分：分为无注释（Plain）、有注释（Comment）两种场景，各45,902条样本，全面验证不同场景下的溯源性能；

任务来源：源自LeetCodeDataset的2,869个算法任务，覆盖5大领域、21个细分标签，难度分为Easy、Medium、Hard三级，分布均衡，全面考验模型性能。

为确保数据质量，团队采用标准化构建流程：统一提示词模板、严格控制生成变量、多轮数据清洗（过滤空文件、注释标准化等），彻底剔除低质量样本，让数据集更具可靠性。

为全面验证DCAN的有效性、鲁棒性，团队围绕4个核心研究问题设计实验，通过与基线模型对比、消融实验等方式，用数据说话，证明了DCAN的硬实力。

5.1 实验设置：公平对比，全面评估

基线模型：选取CodeGPTSensor、GPTSniffer两种主流二进制检测模型，适配多分类归因场景，作为性能对比基准；

评估指标：采用多分类准确率（Acc.）、F1分数（综合反映精确率与召回率），贴合多分类溯源场景需求；

实现细节：基于PyTorch框架，以UniXCoder为编码器，AdamW优化器，批大小32，训练12轮，单NVIDIA A100 GPU支撑，确保实验高效稳定。

5.2 核心实验结果：四大问题，一一破解

RQ1：LLM生成代码，真的有“可区分指纹”吗？

答案是：有！通过分析代码冗长度、词汇密度、命名规范等4大核心指标，结合注释风格，团队发现不同LLM的生成偏好差异显著且稳定，形成了独特的“生成指纹”：

ChatGPT：代码冗长度波动大，变量名偏短，注释密度低，偏爱行内注释，风格灵活；

Qwen：最简洁的“代码能手”，LOC中位数最低，冗余度极低；

Claude：标识符偏长，偏爱块注释，缩进规范，风格严谨；

DeepSeek：命名规范偏差较大（如Java中偏爱snake_case），注释详细，可读性强。

RQ2：多语言场景下，模型级溯源可行吗？

完全可行！DCAN在所有场景下均碾压基线模型，性能表现惊艳：

无注释场景：平均F1达92.94%，远超GPTSniffer（89.15%）、CodeGPTSensor（76.38%），无额外语义辅助也能精准溯源；

有注释场景：平均F1飙升至98.38%，注释的自然语言信号的进一步放大模型指纹，精度再上一个台阶；

任务难度影响：复杂任务（Medium/Hard）溯源准确率更高，因复杂任务的模型实现差异更显著，更易被DCAN捕捉。

RQ3：解纠缠模块，真的能提升溯源性能吗？

必须能！消融实验（Java无注释场景）给出明确答案：

仅用h_spec（源专属信息）：F1达93.20%（最优），证明模型指纹能精准支撑溯源；

用h_base（原始纠缠表示）：F1为92.65%，略降，说明任务语义确实会干扰精度；

仅用h_com（源无关信息）：F1仅9.96%（接近随机猜测），证明解纠缠模块已彻底剥离模型特征。

更直观的是t-SNE可视化结果：h_spec空间中，不同LLM的样本聚类清晰，一眼就能区分；h_com空间中，样本高度重叠，完全无法区分——解纠缠效果一目了然。

RQ4：DCAN的鲁棒性与泛化性，经得起考验吗？

经得起！实验证明，DCAN适配多种实际场景，实用性拉满：

1. 数据效率高：仅用10%训练数据，F1仍达88.03%，远超CodeGPTSensor（61.62%），数据量有限也能稳定发挥；

2. 多语言泛化强：统一多语言模型与单语言模型性能相当，对Python还存在正向迁移，F1从83%提升至90%；

3. 零-shot跨语言能打：有注释场景下，训练3种语言、测试未见过的第4种语言，F1均超90%；无注释场景下，因Python与C家族语言语法差异大，F1降至69.70%，但仍处于可接受范围。

5.3 案例直击：DCAN到底在抓哪些“指纹”？

通过梯度显著性分析，团队揭开了DCAN的溯源逻辑——主要捕捉两类“指纹”，精准又靠谱：

无注释场景：Claude偏爱显式控制流（if/elif语句），DeepSeek常用栈相关API（.pop方法），Qwen偏爱聚合操作（sum函数），ChatGPT有独特的变量命名习惯；

有注释场景：结合语法特征与注释风格，比如Claude、DeepSeek常用.zfill()方法，GPT、Qwen常用f-string格式化；注释上，DeepSeek详细、GPT简洁，这些差异都成为溯源的关键依据。

与现有研究相比，DCAN的优势十分突出，彻底解决了传统方法的痛点，具体对比可分为两类：

1. 人类vs机器代码检测：早期方法依赖统计指标，效果拉胯；后期方法（如CodeGPTSensor）虽提升了二进制检测精度，但仅能区分“人机”，无法实现模型级溯源，满足不了实际需求；

2. 模型级归因方法：主动式方法需修改LLM生成流程（嵌入水印），适用性有限；被动式方法依赖人工特征或单一语言，泛化性、准确性双低。

而DCAN的核心优势，正是精准破解了这些痛点：无需修改LLM生成流程（被动式归因），适用性更强；自动提取模型指纹，避免人工设计的主观性；支持多语言、多场景，泛化性与准确性双领先，更贴合行业实际应用需求。

7.1 核心成果总结

这篇研究用扎实的实验与创新的方法，得出四大核心结论，为行业发展提供了重要支撑：

1.不同LLM生成的代码，存在稳定、可区分的“生成指纹”，为模型级溯源奠定了基础；

2.解纠缠技术能有效剥离任务语义干扰，显著提升溯源性能，验证了核心假设的正确性；

3.DCAN框架在多语言、不同数据规模、零-shot跨语言场景下表现优异，实用性极强；

4.注释能补充自然语言指纹，与代码语法特征协同，进一步提升溯源精度。

7.2 研究局限与未来方向

尽管DCAN表现惊艳，但仍有可提升空间，也为后续研究指明了方向：

覆盖范围可拓展：目前仅验证了4种LLM、4种编程语言，未覆盖小众模型与冷门语言，泛化性仍需进一步验证；

零-shot性能可优化：无注释场景下，Python的零-shot跨语言溯源性能（F1=69.70%）还有提升空间；

对抗性场景需探索：未验证LLM刻意模仿其他模型风格时的溯源性能，后续可重点突破。

DCAN的出现，不仅填补了行业技术空白，更在多个实际场景中具备广泛应用价值，真正实现了“技术落地”：

8.1 理论价值

首次明确LLMCSA任务定义，提出解纠缠归因思路，为代码溯源领域提供了全新研究方向；构建的大规模基准数据集，填补了行业无标准化评估载体的空白，推动后续研究规范化发展。

8.2 实际应用场景

软件安全问责：生成代码出现漏洞、恶意逻辑时，快速锁定生成模型，明确责任主体，为安全事件处置提供依据；

知识产权合规：检测代码是否来自未授权LLM，规避侵权风险，保障软件企业合法权益；

软件取证：安全事件调查中，追溯代码生成来源，辅助案件分析，为取证工作提供技术支撑；

编程教育：检测学生提交的代码是否由特定LLM生成，辅助教师判断学生真实编程能力，维护学术诚信。