本研究探讨了现代软件开发中两个重要问题：能否仅通过代码片段本身判断其来源（人类编写还是大语言模型生成），以及这两种来源在实现同一编程任务时是否存在安全模式上的差异。作者构建了一个完全可复现的开源情报管道，利用公开的Stack Overflow API和开放权重语言模型（共计9个），收集了31个安全敏感编程任务（如OAuth with PKCE、JWT验证、密码哈希、SQL访问）在Python、JavaScript、Go、Java四种语言上的真实实现样本，共计528个。每个样本通过确定性安全检测器和风格检测器进行评分。在此基础上，训练了一个交叉验证的分类器，能够以93%的准确率区分人类与模型来源（基线78%），并进一步以48%的准确率将样本归属于生成它的具体模型。研究随后报告了两种来源在安全实践上的差异：模型在某些安全模式（如正确使用参数化查询）上比人类更频繁地采用，而在另一些模式（如输出编码）上则继承自人类语料库。实验表明，这种安全差异在所有四种语言中均存在，但来源边界部分依赖于语言，且不能在语言间对称迁移。在漏洞修复案例研究中，模型被要求修复不安全代码，结果展示了77%的修复率（覆盖21个随机种子和12种弱点类型），但存在一种常见的部分修复失败模式：模型移除了不安全模式，却没有添加正确的防御措施。该管道是数据驱动的，添加新任务或语言只需一个配置文件，并且每次实验均可从存储的数据中重新推导出所有数值，确保了完全的可重复性。