9.1 专用模型与通用模型
9.1 专用模型与通用模型
本节摘要：让大模型读反编译输出，最早是「顺手用通用模型」的民间实践，随后学术界给出了系统验证（DeGPT，NDSS 2024），工业与开源界则造出了专用模型。本节先把通用模型的真实水位摆正：读伪代码、解释逻辑、提假设，它已经不错——这正是第 08 章闭环成立的前提；再进入 LLM4Decompile：首个反编译专用开源大模型系列，1.3B 到 33B 多档规格（约 7.1k stars，MIT 许可证，EMNLP 2024，2026-10 社区口径），End 模式直接从汇编生成 C 代码，Ref 模式拿 Ghidra 伪代码加汇编做精修，官方宣称可执行率超过 GPT-4o 与 Ghidra 百分点以上——注意这是官方口径，引用时原样转述；然后拆解评测指标怎么看，梳理 DeGPT 到 LLM4Decompile 的学术脉络；最后给选型建议：什么时候通用够用，什么时候必须专用。研究对象均为自编译样本与公开数据集。
学习目标
- 客观说明通用大模型在伪代码理解上的能力与边界。
- 讲清 LLM4Decompile 家族的规格、两种模式与官方口径指标。
- 区分「理解质量」与「重建质量」两类评测指标。
- 用 DeGPT 到 LLM4Decompile 的脉络解释「专用」到底专用在哪。
- 按场景给出通用与专用的选型建议。
一、通用模型的真实水位
先把事实摆正：今天的通用大模型读 Ghidra 伪代码，能力已经不错。让它解释一段函数在做什么、标出可疑的比较逻辑、按第 8.2 节的模板提出校验假设——这些「阅读理解」任务上，通用模型的性价比很高：不用部署、随问随答、上下文还可以混入字符串表与导入表。
边界同样清晰：通用模型的输出是「解释」，不是「重建」。你问它伪代码什么意思，它答得好；你让它把汇编反推成可编译的 C 源码，它常给出「形似而不可用」的代码——变量类型对不上、控制流还原错误、甚至编造不存在的标准函数（第 11.1 节的幻觉三形态之一）。
| 任务 | 通用模型表现 | 原因 |
|---|---|---|
| 解释伪代码逻辑 | 好 | 阅读理解是通用强项 |
| 标出可疑分支 | 好 | 模式识别，答错也无代价 |
| 提校验假设（8.2 节） | 好 | 有求解器兜底 |
| 反推可编译 C 源码 | 不稳定 | 需要指令级精确映射，通用训练目标不覆盖 |
| 批量一致输出 | 弱 | 会话间风格与质量漂移 |
一句话：通用模型是优秀的读者，不是可靠的作者。
二、LLM4Decompile：反编译专用家族
LLM4Decompile（约 7.1k stars，MIT 许可证，EMNLP 2024，2026-10 社区口径）是首个反编译专用开源大模型系列，规格从 1.3B 到 33B——小档笔记本可跑，大档对标闭源模型。专用体现在三处：训练数据是「汇编与对应源码」的配对语料；任务目标就是反编译本身；评测指标围绕可重编译与可执行设计，而不是聊天质量。
两种工作模式覆盖两类场景：
| 模式 | 输入 | 输出 | 适用 |
|---|---|---|---|
| End 直接反编译 | 汇编指令 | C 源码 | 没有反编译器、或想统一批处理 |
| Ref 精修 | 汇编加 Ghidra 伪代码 | 精修后的 C | 已有 Ghidra 输出，要提升可读与可执行性 |
规格与场景的粗略对应（以官方仓库的模型卡为准）：
| 档位区间 | 显存量级 | 典型场景 | 局限 |
|---|---|---|---|
| 1.3B 到 6.7B | 消费级显卡 | 本地批量命名辅助、低延迟流水线 | 重建质量有限 |
| 9B 到 33B | 工作站或多卡 | 高质量重建、PoC 辅助 | 部署与推理成本高 |
Ref 模式的定位尤其务实：不重造反编译器，而是把 Ghidra 当初稿、模型当润色器——这正是通用模型顺手做但不稳定的场景，专用模型把它变成了可复现的流水线环节。使用方式是标准的开源权重加载（transformers 生态），多档规格按显存选配，具体命令以官方仓库为准。规格选择的粗略直觉：1.3B 与 6.7B 档适合嵌入式设备与大批量低延迟场景；9B 到 33B 档适合需要更高重建质量的离线任务。
# load_ref.py —— 加载 LLM4Decompile Ref 档权重的写法示意（命令以官方仓库为准） from transformers import AutoTokenizer, AutoModelForCausalLM MODEL = "LLM4Decompile/LLM4Decompile-Ref-9b" # 档位按显存选 tokenizer = AutoTokenizer.from_pretrained(MODEL, trust_remote_code=True) model = AutoModelForCausalLM.from_pretrained(MODEL, trust_remote_code=True) def refine(asm: str, pseudo: str) -> str: """Ref 模式：汇编加 Ghidra 伪代码进，精修 C 出""" prompt = f"这是汇编：{asm} 这是反编译器输出：{pseudo} 请生成对应 C 源码：" inputs = tokenizer(prompt, return_tensors="pt") out = model.generate(**inputs, max_new_tokens=1024) return tokenizer.decode(out[0], skip_special_tokens=True)
提示词形态以官方仓库文档为准（Ref 模式对输入格式有明确约定），这里只示意「汇编与伪代码同时喂入」的结构。本机跑不动大档时，先在公开演示环境体验，再决定部署哪一档。
三、官方口径的可执行率怎么看
LLM4Decompile 官方宣称其可执行率超过 GPT-4o 与 Ghidra 百分点以上（官方口径）。引用这类数字要带三个自觉：
- 指标含义要讲清。「可执行率」指生成代码能通过编译并在测试输入上复现原程序行为的比例——它衡量的是「重建质量」，不是「理解质量」。配套指标还有与参考源码的文本相似度（如编辑相似度），两者合起来才是完整画像。
- 口径归属要标明。这是项目方的评测口径，测试集与对比版本以官方论文与仓库为准，转述时保留「官方宣称」四个字。
- 与自己的场景对齐。你如果只是要模型读懂伪代码提假设（第 08 章用法），可执行率并不直接相关；你要为漏洞复现重建可运行代码时，它才是核心指标。
自测方法比引用更有说服力：拿自己的十个函数（编译后 strip），分别喂给候选模型与 Ghidra，数一数「能编译、能复现行为」的各占几个——十分钟的实验胜过一百行的宣传语，这也是第 10.2 节「自建小评测集」思想在模型选型上的应用。
自测的打分表直接照抄：
| 维度 | 记什么 | 及格线（自定） |
|---|---|---|
| 可编译数 | 十个里能过编译的 | 看任务要求 |
| 行为复现数 | 编译产物输出与原程序一致 | 看任务要求 |
| 可读性 | 三个变量名是否语义化 | 两名以上合理 |
| 一致性 | 跑两遍输出是否稳定 | 完全一致或差异可解释 |
打分表的「一致性」最常被漏掉：同一个函数两次生成差异巨大，说明该模型进流水线前还得加固定采样参数——这属于部署知识，论文里不会替你写。
四、学术脉络：DeGPT 到 LLM4Decompile
专用化不是凭空出现的。DeGPT（NDSS 2024）是「用大模型优化反编译器输出」的早期学术代表：把 Ghidra 伪代码交给通用大模型重写，实验显示可读性与变量命名显著改善——它证明了「反编译输出值得也经得起模型精修」这个命题。
LLM4Decompile 沿此方向再进两层：从「精修」扩到「直接反编译」（End 模式），从「调通用模型」进到「训专用模型」——把任务知识烧进权重，换来离线、稳定、可控成本。脉络记忆法：DeGPT 验证方向，LLM4Decompile 工程化定型。给方向验证者的启示同样重要：DeGPT 用的只是当时的通用模型——说明「先验证方向、再谈专用化」的顺序值得效仿，今天你手里任何新想法也可以先用通用模型探路。
# lineage.txt —— 从民间实践到专用家族 民间实践：顺手拿通用模型读伪代码（有效但不可复现） │ DeGPT（NDSS 2024）：系统验证「模型精修反编译输出」可行 │ LLM4Decompile（EMNLP 2024）：End 加 Ref 两模式 + 专用权重 │ 后续方向：与反编译器深度耦合的流水线（Ref 模式的工业化延伸）
五、选型建议：什么时候用什么
- 日常读伪代码、提假设、写分析笔记：通用模型够用，接入方式走第 03 章《GhidraMCP实战》与第 05 章《REA聚合层》的工具链。
- 需要可编译、可执行的重建代码（复现实验、写 PoC 辅助）：专用模型（Ref 模式优先），成功率与可复现性都更好。
- 敏感样本不出域：本地部署的专用小档模型（1.3B 到 6.7B 一档）是刚需——隔离纪律见《Agent 沙箱与运行时隔离》第 02 章，样本与模型同处内网。
- 批量处理：几百个函数要统一精修，专用模型流水线在成本与一致性上碾压逐个对话。
选型判断走到落地，还有三个高频问题先答在这里：
| 问题 | 短答 | 依据 |
|---|---|---|
| 专用模型能替代 Ghidra 吗 | 不能，两者是初稿与润色的关系 | Ref 模式设计本身就是证据 |
| 本地小档够用吗 | 读伪代码与命名建议够，重建高质量要中大档 | 9.1 节任务表与官方规格说明 |
| 输出能直接进证据链吗 | 不能，须过编译与行为验证 | 第 11.1 节纪律对任何模型输出一视同仁 |
最后一个判断题留给读者：随着通用模型继续变强，专用模型的价值会集中在哪？本章的答案是两个字——可执行与本地化。这个判断是否长期成立，以你的实测为准。
本节要点回顾
- 通用模型是优秀的读者、不可靠的作者：理解强、重建弱。
- LLM4Decompile：1.3B 到 33B，End 直接反编译、Ref 精修 Ghidra，MIT 开源。
- 「可执行率超 GPT-4o 与 Ghidra 百分点以上」是官方口径，转述要带归属；自测十函数胜过引用。
- DeGPT 验证了模型精修反编译输出的方向，LLM4Decompile 完成工程化。
- 选型口诀：读用通用、建用专用、敏感用本地。
模型把伪代码变得可读，但分析成果不能停留在对话记录里。下一节处理逆向最日常的资产——名字：LLM 如何建议命名、人如何确认、binsync 如何让这些名字跨反编译器流动并接受 git 的审计。