GitHub Dependabot

新基准VEX-Bench测试LLM代理对软件供应链漏洞可利用性的评估能力

研究人员推出了VEX-Bench，这是首个旨在评估大型语言模型（LLM）代理评估软件供应链漏洞可利用性能力的基准测试。该基准包含75个来自GitHub的真实案例，并经过安全专家验证，涵盖Python、Java和Go编程语言。初步评估显示，尽管GPT-5.5和Claude Opus-4.6等模型在二进制漏洞状态分类方面取得了约80%的F1分数，但GPT-5.5在细粒度理由分类方面表现更优，凸显了超越简单可利用性评估的难度。