# LLM4Decompile：使用大语言模型反编译二进制代码

> 训练语言模型将汇编反编译为 C，并改进 Ghidra 伪代码，以恢复函数能否重新编译并正确执行为评估目标。

- 作者：Hanzhuo Tan; Qi Luo; Jing Li; Yuqun Zhang
- 原标题：LLM4Decompile: Decompiling Binary Code with Large Language Models
- 发表载体：EMNLP 2024
- 发表状态：会议论文
- 出版／提交日期：2024 年 11 月
- 日期依据：ACL 会议论文集的出版月份。
- arXiv 首次提交：2024 年 3 月 8 日
- arXiv：2403.05286
- 已复核的 arXiv 版本：v3
- DOI：10.18653/v1/2024.emnlp-main.203
- 来源复核于：2026-10-16
- 收录于：2026-10-16
- 原始论文：<https://aclanthology.org/2024.emnlp-main.203/>
- PDF：<https://aclanthology.org/2024.emnlp-main.203.pdf>
- 代码：<https://github.com/albertan017/LLM4Decompile>
- BibTeX：<https://awesomerea.org/papers/citations/paper-llm4decompile.bib>
- 目录页面：<https://awesomerea.org/zh/papers/paper-llm4decompile/>
- 记录 JSON：<https://awesomerea.org/papers/paper-llm4decompile/record.json>
- 英文版：[English](https://awesomerea.org/papers/paper-llm4decompile/index.md)

## 研究范围与局限

论文实验限定于 x86 平台的 C 代码和函数级基准。通过抽样测试重新执行，不代表整程序等价或恢复了原始源码。仓库后续版本应与 2024 年论文区分。

## 与本合集的关联

直接研究 LLM 反编译，可作为评估智能体生成或改进伪代码的具体基线。

## 发表与复核说明

出版日期采用会议论文集月份；arXiv 首次提交日期单独记录。

## 一手来源

1. <https://aclanthology.org/2024.emnlp-main.203/>
2. <https://aclanthology.org/2024.emnlp-main.203.pdf>
3. <https://arxiv.org/abs/2403.05286>
4. <https://github.com/albertan017/LLM4Decompile>
5. <https://github.com/albertan017/LLM4Decompile/blob/85b364bf093eb2ee4f3687cfe38a203fca89f23e/README.md>

## 相关条目

- [LLM4Decompile（EMNLP 2024）](https://awesomerea.org/zh/resources/llm4decompile-paper/index.md) · 精选资源

## 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。