PulseAugur
中
实时 11:40:05
English(EN) Extracting Recurring Vulnerabilities from Black-Box LLM-Generated Software

新方法发现 LLM 生成代码中可预测的漏洞

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新研究论文介绍了一种名为特征-安全表（FSTab）的方法，用于识别大型语言模型生成的软件中重复出现的漏洞。FSTab 允许进行黑盒攻击，在不直接访问代码的情况下，从前端功能预测后端漏洞。该研究在 GPT-5.2、Claude-4.5 Opus 和 Gemini-3 Pro 等模型上评估了 FSTab，证明了漏洞预测具有显著的跨领域可迁移性。 AI

影响 凸显了 LLM 生成代码中的安全风险，可能影响未来的开发实践和模型训练。

排序理由 该集群包含一篇学术论文，详细介绍了一种分析 LLM 生成代码漏洞的新方法。[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 →

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Tomer Kordonsky, Amit LeVi, Maayan Yamin, Noam Benzimra, Avi Mendelson ·

    从黑盒 LLM 生成的软件中提取重复出现的漏洞

    arXiv:2602.04894v4 Announce Type: replace-cross Abstract: LLMs are increasingly used for code generation, but their outputs often follow recurring templates that can induce predictable vulnerabilities. We study vulnerability persistence in LLM-generated software and introduce Fea…

相关实体

相关话题