REMEND

REMEND

用一个小型神经反编译器从编译后的二进制代码中还原数学公式，并提供论文里的数据集和训练好的模型。适合逆向工程师和研究者。

由 udiboy1209 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：REMEND 是一个神经反编译器，能把实现数学公式的编译代码还原成公式本身。这个仓库包含论文用到的合成数据集、由开源程序构建的数据集和训练好的模型。旧工具要么看不出代码的含义，要么需要缓慢的动态分析，REMEND 的目标是还原数据流和运算顺序。

适合谁：适合研究实现公式的二进制文件的人，以及构建或比较神经反编译器的研究者。记录里列出的语言是英文。

行业 | 谁在用 | 怎么用 | 例子
安全研究 | 逆向工程师 | 还原编译函数里的公式 | 把反汇编出的例程变回一个公式
嵌入式系统 | 固件工程师 | 在没有源码时读懂二进制里的数值例程 | 查看一段编译后的计算做了什么
学术界 | 机器学习研究者 | 在公开的数据集上训练或比较神经反编译器 | 用 fairseq-train 重新训练一个模型

需要把整个程序反编译成完整源码的人可以跳过它，因为 REMEND 针对的是数学公式。

用在哪里：

• 装有 fairseq 库的 Python，可在 Windows、macOS 或 Linux 上使用
• 一个能运行仓库脚本的 shell，这些脚本会把源码编译成 ELF 文件
• 如果用模型卡的命令重新训练，需要一台用于训练的机器

使用场景 | 适合谁 | 你会得到什么
试用训练好的模型 | 研究者 | 反汇编函数对应的生成公式
训练新模型 | 机器学习工程师 | 用 fairseq 在合成数据集上训练出的模型
对比相关工作 | 论文作者 | 评测 BTC、SLaDE 和 Nova 的脚本

如何设置：你需要先准备几样东西。

• Python 和 pip
• fairseq 库，用于训练和生成
• 放数据集压缩包的磁盘空间，如果要重建合成数据，还需要放大型 FAIR 数据集的空间

1. 用 pip 安装 Hugging Face hub 工具。
2. 下载仓库，里面有 dataset.zip、tokenized.zip 和训练好的模型。
3. 如果只想在合成数据上训练新模型，只需解压 tokenized.zip。
4. 如果想用别的方式分词，或先修改数据，就解压 dataset.zip。

pip install -U huggingface_hub
hf download udiboy1209/REMEND

要重建合成数据集，先下载 Deep Learning for Symbolic Math 论文里的 FAIR prim_fwd 压缩包，然后运行这些步骤。

tar xvf prim_fwd.tar.gz
./compile.sh
./combine.sh
./tokenize.sh

如何使用：要在开源程序上测试，你按顺序运行三个脚本。数据集会出现在 dataset 文件夹里，结果出现在 generated 文件夹里。

make.sh
python3 collect_dataset.py
generate.sh

要在分词后的数据集上运行训练好的模型，使用 fairseq-generate。

fairseq-generate <tokenized-dataset> --task translation --arch transformer \
    --max-source-positions 1024 --max-target-positions 1024 \
    --path <checkpoint> --results-path <out-dir> --gen-subset <train/test/valid> --beam 1

工具 | 作用
dataset.zip | 存放编译后的公式和汇编
tokenized.zip | 存放分词后的汇编，已用 fairseq-preprocess 处理好
make.sh | 把开源程序编译成 ELF 和汇编文件
collect_dataset.py | 反汇编 ELF 函数，供 REMEND 处理
generate.sh | 运行 REMEND，生成公式并检查是否正确
fairseq-generate | 运行训练好的模型并写出它的翻译结果

示例：你用 make.sh 编译开源程序，用 collect_dataset.py 反汇编，再运行 generate.sh。REMEND 为每个函数写出一个公式并检查是否正确，结果以文本文件的形式出现在 generated 文件夹下，每种架构一组。

新手与专家：反编译就是把机器码变回可读的形式。REMEND 专注于公式。第一步可以先下载仓库，看看 tokenized.zip 里面的内容，那是已经为模型准备好的汇编。

这个模型是一个小型 transformer 编码器解码器，最多 1200 万参数，并配有用于符号推理的算法处理。测试中，一个模型的得分为 89.8% 到 92.4%，覆盖三种 CPU 指令集、三个编译器优化级别和两种语言。在来自开源程序的代码上，它报告比其他神经反编译器的准确率高 8%，每个函数约 0.132 秒。

编译后的函数变成汇编
汇编被切分成词元
编码器解码器 transformer 写出公式
算法处理加入符号推理
公式被检查是否正确

要训练模型，模型卡给了一条 fairseq 命令，每个模型用不同的参数运行。

fairseq-train <tokenized-dataset> --task translation --arch transformer \
    --optimizer adam --weight-decay 0.001 --lr 0.0005 --lr-scheduler inverse_sqrt \
    --max-source-positions 1024 --max-target-positions 1024 \
    --encoder-attention-heads 8 --decoder-attention-heads 8 --encoder-embed-dim 384 --decoder-embed-dim 128 \
    --encoder-ffn-embed-dim 1536 --decoder-ffn-embed-dim 512 --decoder-output-dim 128 --dropout 0.05 \
    --max-tokens 20000 --max-update 100000 \
    --no-epoch-checkpoints --keep-best-checkpoints 3 \
    --save-dir <save-dir> --log-file <save-dir>/training.log

注意事项：

• License: MIT。
• Cost to run: 没有提到 API 密钥或付费服务。你自己提供算力，重建合成数据需要下载一个大文件。
• Data it reaches: 仓库里的数据集压缩包、脚本生成的 ELF 和汇编文件，以及写到你文件夹里的结果文件。
• Not for: 整个程序的反编译，因为它针对的是数学公式。相关工作的评测脚本各自需要先做配置。

Title: 各种设置下报告的准确率范围
最低: 89.8 %
最高: 92.4 %

Hugging Face 上的数据（2026年11月13日）

• 任务：translation
• 框架：fairseq
• 最近 30 天下载：0
• 点赞：5
• 许可证：mit
• 语言：en
• 标签：fairseq, code, decompiler, symbolic-math, neural-decompiler, translation

链接

• 模型：https://huggingface.co/udiboy1209/REMEND
• 文件：https://huggingface.co/udiboy1209/REMEND/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download udiboy1209/REMEND

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。