Newest papers

From Tokens to Files: Multi-Granularity Detection and Localization of AI-Involved Code

Yue Xu, Xiyang Wang, Hui Liu, Bolei He · 2026 · arXiv

DOI: 10.48550/arXiv.2610.27863 · open-access PDF

Hindi

कोड उत्पन्न करने के लिए बड़े भाषा मॉडल का तेजी से उपयोग ऐसे तरीकों की मांग करता है जो पूरी तरह से मानव-लेखित कोड को एआई-संलग्न कोड से अलग करते हैं: फ़ाइलें जिनमें कोई भी हिस्सा, चाहे छोटा हो, एक मॉडल द्वारा उत्पन्न किया गया हो या काफी बदल दिया गया हो। ऐसे फ़ाइलें चिह्नित करने के अलावा, हम एआई के लिए जिम्मेदार लाइनों या ब्लॉकों को स्थानीय करने का लक्ष्य रखते हैं मौजूदा दृष्टिकोण एक फ़ाइल को एक एकल स्कोर में संपीड़ित करते हैं, सतह स्टाइलिस्टिक विशेषताओं से या एक वैश्विक कोड प्रतिनिधित्व से, जो सबूत को दूर करता है जब केवल कुछ ब्लॉक एआई-संलग्न होते हैं।

Machine translation (Meta M2M100); the English original follows.

Abstract

The increasing use of large language models for code generation calls for methods that distinguish purely human-written code from AI-involved code: files in which any part, however small, was generated or substantially modified by a model. Beyond flagging such files, we aim to localize the lines or blocks attributable to AI. Existing approaches compress a file into a single score, from surface stylistic features or a global code representation, which averages away the evidence when only a few blocks are AI-involved. We propose a framework that models AI authorship at the token level and predic

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange