文章总结与翻译一、主要内容本文提出了一种基于大语言模型（LLM）的智能合约漏洞检测框架LLMBugScanner，旨在解决现有智能合约审计工具的局限性。智能合约作为区块链上的自执行程序，其不可修改性导致漏洞可能引发严重的财务损失，但传统静态/动态分析工具存在误报率高、覆盖不全等问题，单一LLM模型则面临泛化能力不足、对不同漏洞类型表现不一致的挑战。LLMBugScanner的核心设计包含两大协同组件：领域知识适配：采用多阶段微调策略，利用以太坊智能合约数据集（775个Solidity文件）提升通用代码理解能力，结合CVE Solidity子集（28个标注文件）进行指令微调，并通过LoRA低秩适配技术降低计算成本，避免过拟合。LLM集成学习：选取5个开源代码LLM（如CodeLlama、DeepSeek-Coder等），通过加权多数投票和排列优化平局决胜两种策略聚合多模型预测结果，利用模型间的互补性提升检测鲁棒性。实验基于108个含真实漏洞的CVE标注智能合约展开，结果显示LLMBugScanner在Top-5检测准确率上达到60%，较单一模型基线提升19%，在不同漏洞类型和语义相似度阈值下均表现出更优的泛化能力和稳定性。二、创新点协同策略设计：首次将领域知识适配与LLM集成学习结合，既通过微调注入智能合约领域特定语义，又通过多模型聚合抵消单一模型的偏见和局限性，实现“专精+协同”