该论文提出了一种名为Zen的框架，旨在解决深度学习模型在反汇编和逆向工程中的表示问题，特别是针对模型归因（attribute）和重用（reuse）场景。当前，深度学习模型在二进制代码分析中的应用日益广泛，但模型本身通常以黑盒形式提供，缺乏可解释性和可迁移性。作者观察到，现有的模型表示方式主要分为两类：数学表示（如权重矩阵、张量运算）和程序化表示（如代码结构、控制流图）。数学表示精度高但难以与领域知识结合，程序化表示直观但缺乏数学严谨性。Zen框架通过创新性地融合这两种表示，既能保留模型的数学拓扑结构，又能将其映射为可读、可修改的程序化代码，从而实现对模型的精确追溯和模块化重用。实验部分，作者在多个常见基准数据集上验证了Zen的有效性，包括恶意软件检测、漏洞挖掘等任务。结果表明，Zen能够准确地将训练好的模型还原为可读的伪代码表示，同时保持甚至提升原有性能。此外，Zen支持对模型组件的替换和微调，显著降低了在安全分析中重用预训练模型的成本。该工作的主要贡献在于：1) 提出了第一种能够同时保留数学和程序化表示的模型反演方法；2) 构建了一个完整的开源工具链，支持从二进制模型到可编辑代码的转换；3) 在多种安全场景下验证了重用和归因的实用性。