研究人员开发了 BAC-Bench，这是第一个旨在评估大型语言模型 (LLM) 在修复 Web 应用程序中损坏的访问控制 (BAC) 漏洞方面的能力的基准。该基准包含来自六个 Web 应用程序的 46 个真实世界漏洞，涵盖四种编程语言，每个漏洞都配有沙盒环境和验证工具。初步评估显示，基础 LLM 平均可以修复这些漏洞的 37.68%，但通过简单的脚手架技术，如 Apply-Feedback 和 Navigate-and-Locate，修复率显著提高，其中表现最好的 LLM 达到了 75.36% 的修复准确率。 AI
影响 为基于 LLM 的安全漏洞修复建立了一个基准，有可能加速其在 Web 应用程序安全领域的应用。
排序理由 学术论文，介绍了一个用于 LLM 在特定安全领域应用的基准。 [lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
