# 自构造上下文反编译与细粒度对齐增强
> 为大语言模型将函数级 x86-64 GCC 汇编反编译为 C 的流程增加两项技术。自构造上下文反编译（sc²dec）无需微调：把模型首次生成且可编译的结果重新编译，以得到的汇编—源码对作为上下文示例再次反编译。细粒度对齐增强（FAE）利用 DWARF 调试信息构造语句级汇编—C 对齐数据，以 LoRA 微调 llm4decompile-6.7b。两者结合后，作者报告在 Decompile-Eval 上的平均可重执行率为 52.41%，基础模型为 48.60%。
- 作者：Yunlong Feng; Dechuan Teng; Yang Xu; Honglin Mu; Xiao Xu; Libo Qin; Qingfu Zhu; Wanxiang Che
- 原标题：Self-Constructed Context Decompilation with Fined-grained Alignment Enhancement
- 发表载体：Findings of 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 Anthology 官方引文给出 2024 年 11 月。Crossref 仅记录年份；PDF 中印有的 11 月 12–16 日会议日期不作为具体出版日。
- arXiv 首次提交：2024 年 6 月 25 日
- arXiv：2406.17233
- 已复核的 arXiv 版本：v2
- DOI：10.18653/v1/2024.findings-emnlp.385
- 来源复核于：2026-10-18
- 收录于：2026-10-19
- 原始论文：
- PDF：
- 代码：
- BibTeX：
- 目录页面：
- 记录 JSON：
- 英文版：[English](https://awesomerea.org/papers/paper-sc2dec/index.md)
## 研究范围与局限
结果为 Decompile-Eval 上的函数级可重执行率：164 道源自 HumanEval 的 C 题目，分别以 O0–O3 编译，并通过重新编译和 HumanEval 测试用例检查。通过这些测试不代表完整程序或全部输入上的等价性；论文也未评估真实二进制、其他架构或可读性。只有首次输出能够重新编译时 sc²dec 才有帮助，因此可重编译率低会限制其收益；作者报告以不匹配的优化级别构造上下文会使结果降低 1–2%，用 clang 构造的上下文得分也略低于 GCC。FAE 仅使用 10,000 个只依赖 C 标准库的 ExeBench 函数，训练一个轮次，且只基于一个 6.7B 基础模型；作者未在更大数据集或模型上验证，它还使 1-shot 结果略有下降。GPT-4 与 DeepSeek 基线是 API 快照，未必可复现。
## 与本合集的关联
为端到端大语言模型反编译补充重新编译反馈与调试信息对齐方法，与 LLM4Decompile 及基于执行检查的反编译基准互补。
## 发表与复核说明
标题保留出版时的拼写“Fined-grained”。八位作者的顺序以 Anthology、PDF、Crossref 与 arXiv 为准。arXiv v2（2024-10-03）标注为 EMNLP 2024 Findings；v1 于 2024-06-25 提交。Anthology 与 Crossref 给出页码 6603–6614。摘要所称约 3.90% 的提升与表 1 中基础结果 48.60% 和 52.41% 之间 3.81 个百分点的差值不一致。在 2025-02-18 提交中，仓库声明采用 MIT，但 LICENSE.txt 仍保留年份与版权人的模板占位符。仓库提供评估脚本和 GCC 版 Decompile-Eval 数据，并链接 Hugging Face 上基于 LLM4Binary/llm4decompile-6.7b-v1.5 的 LoRA 适配器与训练数据集，两者均标为 MIT；基础模型与 ExeBench 保留各自条款。README 的结果表另加入可读性分数和作者后续的 ReF Decompile，其中仅用 FAE 的平均值与论文略有不同（51.07% 对 50.88%）。评估器使用本地 gcc 与 objdump；指定 --compiler 时会把代码发送到公共 Compiler Explorer API。
## 一手来源
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
## 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。