En este artículo, presentamos CGP-Tuning, un novedoso método de ajuste de avisos suaves, con reconocimiento de estructura y mejorado con grafos de código, para la detección de vulnerabilidades de software. Para abordar el problema de que las técnicas de ajuste fino existentes omiten la información estructural del código fuente, CGP-Tuning introduce incrustaciones con reconocimiento de tipo que capturan información semántica rica (p. ej., flujo de control/datos) en el grafo de código, así como un eficiente módulo de alineación intermodal que integra interacciones grafo-texto, logrando un coste computacional lineal. Los resultados experimentales en los conjuntos de datos de código fuente abierto de vanguardia LLM y DiverseVul, incluyendo CodeLlama, CodeGemma y Qwen2.5-Coder, muestran que CGP-Tuning proporciona mejoras de rendimiento independientes del modelo, manteniendo al mismo tiempo una velocidad de inferencia práctica, superando en promedio a las técnicas de ajuste de avisos suaves mejoradas con grafos de vanguardia existentes en un 4% y al registro de disparo cero sin ajustar en un 15%.
