开发了一种新的方法，用于微调 LLM 以高效地分类通用漏洞和暴露 (CVE)。该方法通过为严重性、攻击向量和修复 SLA 添加特定的分类头，将标准 LLM 转换为决策模型。在单个 RTX 3090 GPU 上，使用 1,000 个示例的小型数据集进行不到 10 分钟的训练，在验证集上的准确率从 29% 显著提高到 75% 以上。生成的模型处理 CVE 的速度比标准 LLM 快 13 倍，从而能够在 CI/CD 流水线中进行实时分析，并通过校准的置信度分数减少告警疲劳。 AI
影响 通过使 LLM 的漏洞处理速度提高 13 倍，加速了 CI/CD 流水线中的安全分析。
排序理由 一种新颖的微调 LLM 以执行特定分类任务的方法，并附带性能指标。[lever_c_demoted from research: ic=1 ai=1.0]
- CUDA
- CVSS v3.1
- FastLanguageModel
- GitHub Actions
- GitLab CI
- Jevíčko
- LoRA+
- PyTorch
- Qwen3.5 4B
- RTX 3090
- Trivy
- Unsloth
- vLLM Decision 3.0
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
