该论文针对跨深度学习框架API的一致性问题展开研究，提出了一种差分测试方法，旨在自动发现不同深度学习框架（如TensorFlow、PyTorch等）中同名或相似API之间的行为不一致性，并进一步揭示由此可能导致的安全漏洞。核心思路是构造能够触发API行为差异的测试输入，通过对比多个框架在同一API调用下的输出或行为，识别不一致点。实验部分作者构建了大规模测试套件，覆盖主流框架，并成功发现了多类不一致性，包括数值精度误差、错误处理差异、甚至某些API在特定框架下存在未文档化的行为或潜在安全隐患（如内存泄漏、崩溃等）。论文的主要贡献在于：首次系统性地定义了跨框架API不一致性的类型与严重程度；提出了高效的差分测试生成策略；并基于发现的不一致性，进一步分析了其对依赖多框架部署的应用（如模型转换工具）的安全影响。读者群体包括深度学习框架开发者、安全研究员以及依赖多框架兼容性工程的从业者。