ASMA-Tune: Unlocking LLMs' Assembly Code Comprehension via Structural-Semantic Instruction Tuning
Created by
Haebom
Category
Empty
저자
Xinyi Wang, Jiashui Wang, Peng Chen, Jinbo Su, Yanming Liu, Long Liu, Yangdong Wang, Qiyuan Chen, Kai Yun, Chunfu Jia
개요
본 논문은 어셈블리 코드의 분석 및 이해를 위한 새로운 프레임워크인 Assembly Augmented Tuning (ASMA-Tune)을 제안합니다. 기존의 Masked Language Modeling (MLM) 기반 방법과 디코더 중심의 대규모 언어 모델(LLM) 기반 방법의 한계를 극복하기 위해, 인코더 아키텍처와 디코더 기반 LLM을 프로젝터 모듈을 통해 통합하는 구조-의미적 instruction-tuning 프레임워크를 제시합니다. 실험 결과, ASMA-Tune은 기존 방법보다 어셈블리 코드 이해 및 명령어 수행 능력을 크게 향상시키는 것으로 나타났습니다. 모델과 데이터셋은 공개적으로 제공됩니다.
시사점, 한계점
•
시사점:
◦
어셈블리 코드 이해 및 명령어 수행 능력을 향상시키는 새로운 프레임워크 ASMA-Tune 제시
◦
인코더와 디코더 기반 LLM을 효과적으로 통합하는 방법 제시
◦
기존 방법 대비 성능 향상을 실험적으로 검증
◦
모델과 데이터셋 공개를 통한 연구 확장 가능성 제공
•
한계점:
◦
본 논문에서 제시된 한계점은 명시적으로 언급되지 않았습니다. 추가적인 실험 및 분석을 통해 구체적인 한계점을 밝힐 필요가 있습니다. (예: 특정 종류의 어셈블리 코드에 대한 성능 저하, 데이터셋의 편향 등)
