English(EN) Learning from Failures: A Failure-Driven Prompt Refinement for LLM-Based Vulnerability Analysis

新方法精炼LLM提示词以改进漏洞分析

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-07 04:00

研究人员推出了一种名为“面向失败的提示词精炼”（FDPR）的新方法，用于提高大型语言模型（LLM）在软件漏洞分析中的有效性。该方法系统地分析模型反复出现的失败，如误报和不支持的推理，以指导基于证据的提示词改进。通过将FDPR应用于Damn Vulnerable Java Application并使用Juliet Test Suite进行评估，该研究证明了基于LLM的漏洞检测的可靠性和泛化能力得到增强，为该领域的提示词工程奠定了原则性基础。 AI

影响这项研究提供了一种系统性的方法来提高LLM在关键软件安全任务中的可靠性，有望带来更强大的AI驱动的漏洞检测工具。

排序理由该集群包含一篇学术论文，详细介绍了一种新的LLM提示词精炼方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 18 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇学术论文，详细介绍了一种新的LLM提示词精炼方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, product; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Mandana Ghadamian, David Mohaisen · 2026-10-07 04:00

从失败中学习：基于失败的提示词精炼用于LLM漏洞分析

arXiv:2610.08405v1 Announce Type: cross Abstract: Large Language Models have emerged as promising tools for software vulnerability analysis, but their effectiveness depends heavily on prompt design. Existing research primarily compares prompting strategies using aggregate perform…

本文如何被排名

报道来源 [1]

从失败中学习：基于失败的提示词精炼用于LLM漏洞分析

相关实体

相关话题