本论文聚焦于学术预印本平台中的信息安全问题，特别是通过LaTeX源文件无意泄露敏感信息的风险。预印本作者通常需要上传LaTeX源文件以供排版和编译，但这些源文件中可能残留大量元数据、个人信息、修改痕迹或无效的匿名化内容，例如注释中的姓名/机构、文件属性中的作者信息、历史审阅记录等。这类隐性泄露不仅可能破坏双盲评审的公平性，还会导致研究未发表即暴露隐私，甚至被恶意利用。论文提出了一种基于大型语言模型（LLM）的大规模系统性分析方法，对预印本档案（如arXiv）中的LaTeX源码进行自动扫描与语义理解，以检测传统静态规则难以发现的复杂泄露模式。研究核心可能包括：设计面向LaTeX源文件的LLM提示工程与上下文学习策略，从非结构化文本中识别敏感实体；构建自动化流水线，对海量预印本进行高效筛查；并通过统计量化揭示各类泄露的普遍性和严重程度。该工作的主要贡献在于将LLM应用于预印本安全审计这一全新场景，提供了可复现的方法论和实证数据，为学术出版安全、匿名评审机制以及研究者隐私保护提供了重要参考。由于当前仅提供标题信息，本摘要依据标题及领域常识进行概括，具体技术细节需查阅原文。