CS240 AI作弊事件回顾

一句话看懂：普渡大学 CS 240（C 语言程序设计）课程在 2026 年春季学期发生大规模 AI 作弊争议，授课教师 Jeff 公开复盘处理过程，并披露了一款名为 Argus 的静态分析工具——它不是大模型，而是通过代码特征来识别 AI 生成痕迹。

事件核心：发生了什么

根据授课教师 Jeff（jeff@cs.purdue.edu）2026 年 9 月 25 日发布的回顾文章，CS 240 在 2026 年春季学期的教学大纲中明确禁止使用 ChatGPT 或其他软件生成作业、测验和考试的任何部分代码，且该规定在第一节课及至少五节课中被反复强调。课程此前已使用查重工具 MOSS 处理代码雷同问题，本学期则新增了名为 Argus 的内部工具。

关键在于，Argus 并非外界误传的”自研大模型”，而是基于静态分析识别代码中难以合理解释的特征指标。目前公开信息显示，这些指标在 2024 年之前几乎不存在，之后逐年快速增加，Argus 生成的 H-score 被作者称为具有较高准确率。相关论文已投稿 SIGCSE 2027，但未被接收。

为什么重要

这起事件折射出一个现实问题：当大模型能流畅生成 C 语言作业代码时，传统查重工具（比对代码相似度）已不够用，教育机构开始转向对”生成痕迹”的检测。Argus 代表了一类新思路——不比对答案，而是分析代码特征本身，这与学术和工业界对 AI 生成内容溯源的需求方向一致。值得注意的是，作者刻意不公开具体指标，理由是防止工具失效，这种”攻防对抗”逻辑在 AI 检测领域正变得越来越普遍。

对用户/开发者/创作者的影响

对开发者而言，AI 生成代码的检测正在从”文本相似度”走向”行为特征”，这意味着单纯改写变量名或调整格式已不足以规避识别。对学生和内容创作者来说，课程和平台的 AI 使用条款会越来越具体，依靠”没看到规定”来免责的空间在缩小。对教育机构和工具厂商来说，Argus 这类静态分析方案成本低、可解释性强，可能被更多课程或代码审查场景采纳，但它并非终局方案——作者本人也承认该工具只是”起点”。