大型语言模型的零射线归因：一种分布测试方法

编码中样本的很大比例来自大型语言模型（LLM）。我们研究了使用假设检验来归因由语言模型生成的代码的问题，以利用既有的技术和保证。给定一组样本 $S$ 和一个可疑模型 $\mathcal{L}^*$，我们的目标是评估 $S$ 是否来自 $\mathcal{L}^*$。由于维度灾难，当仅给定 LLM 的样本时，这是不可计算的：为规避此问题，我们同时使用样本和来自 LLM 的密度估计，这是一种常见的访问方式。我们引入 $\mathsf{Anubis}$，一个零射线归因工具，将归因问题表述为分布测试问题。我们对代码样本的基准实验表明，$\mathsf{Anubis}$ 在仅使用约 2000 个样本的情况下，即可实现高于 0.9 的高 AUROC 分数，用于区分 DeepSeek-Coder、CodeGemma 和 Stable-Code 等 LLM。