# Coda：端到端神经程序反编译器 > Coda 分两个阶段将短函数的汇编反编译为 C。首先由区分指令类型的 N 叉 Tree-LSTM 编码器与带注意力输入的 AST 解码器生成代码草图；随后由多个神经错误预测器的集成提出词元修正，只有当候选代码重新编译后与输入汇编的编辑距离不增加时，才保留该修正。在合成基准上，作者报告修正后的平均程序准确率为 82%，而带注意力的序列到序列基线为 12%。 - 作者：Cheng Fu; Huili Chen; Haolan Liu; Xinyun Chen; Yuandong Tian; Farinaz Koushanfar; Jishen Zhao - 原标题：Coda: An End-to-End Neural Program Decompiler - 发表载体：NeurIPS 2019 - 发表状态：会议论文 - 出版／提交日期：2019 年（具体日期未核实） - 日期依据：NeurIPS 论文集页面及其元数据给出出版年份 2019（Advances in Neural Information Processing Systems 第 32 卷）。本条目不推定具体出版日，也不以 12 月的会议日期或 2019 年 6 月的 arXiv 提交日期代替。 - arXiv 首次提交：2019 年 6 月 28 日 - arXiv：1906.12029 - 已复核的 arXiv 版本：v1 - 来源复核于：2026-10-18 - 收录于：2026-10-18 - 原始论文： - PDF： - BibTeX： - 目录页面： - 记录 JSON： - 英文版：[English](https://awesomerea.org/papers/paper-coda/index.md) ## 研究范围与局限 训练与测试程序均为随机生成，涵盖 Karel 指令、math.h 调用及算术或逻辑表达式，分为短、长两种（平均长度 15 与 30），每项任务 50,000 对，并在不开启优化的条件下编译：主要 MIPS 结果使用 clang -O0，x86-64 附录使用 gcc -O0，且只报告草图词元准确率，平均约低 6%。真实场景检查仅包括小型 PyTorch C++ API 模型构建程序和 Hacker’s Delight 无循环程序。程序准确率要求与真实源码词元完全一致，论文正是在该指标下报告常规反编译器为 0%。错误修正假定已知编译器配置，程序变长时词元准确率下降。这些结果既不能说明优化代码、整程序或二进制等价的反编译能力，论文也未给出作者实现。 ## 与本合集的关联 补充一种 2019 年的早期端到端神经反编译器，它将学习式代码生成与经编译器检验的迭代修正相结合，早于本节中基于大语言模型的反编译论文。 ## 发表与复核说明 arXiv 仅有 2019-06-28 提交的 v1，题为“A Neural-based Program Decompiler”，作者同为七人；本条目采用论文集标题。NeurIPS 元数据给出 Advances in Neural Information Processing Systems 第 32 卷第 3708–3719 页，论文集页面未列出 DOI。论文脚注说明 Coda 是 CodeAttack 的缩写。论文集补充材料 ZIP 内含一份附录 PDF，提供数据集统计、超参数、x86-64 结果表及 RetDec 示例。论文引用了第三方反汇编器（mipt-mips、REDasm），但未发布作者代码、数据或模型。 ## 一手来源 1. 2. 3. 4. 5. ## 关于此条目 已依据论文及一手来源复核。请通过原始论文或 BibTeX 引用原作者。 原创说明采用 MIT 许可；外部项目、论文与素材保留各自的权利和许可。