OSS-Fuzz
PulseAugur coverage of OSS-Fuzz — every cluster mentioning OSS-Fuzz across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
开放的强化学习数据集共享bug，使基准测试比较复杂化
新发布的开放强化学习数据集MiMo-V2.6-RL-oss被发现与现有的CyberGym基准测试共享了相当一部分bug。这两个数据集都借鉴了OSS-Fuzz bug的ARVO集合，两者之间识别出223个相同的bug。然而，由于OSS-Fuzz中的bug重新编号，简单的ID连接只能检测到139个重叠，这凸显了基准测试比较中潜在的陷阱。分析表明，虽然一些重叠是预料之中的，但共享的bug数量略多于随机概率的预期，尽管这并不表明报告的分数被夸大了。
-
AI代理彻底改变安全测试，发现数千个漏洞
人工智能驱动的代理正在彻底改变安全测试，从辅助工具转变为自主猎手。XBOW等系统已登上赏金漏洞排行榜榜首，以仅为人类专家一小部分成本的代价发现了数千个漏洞。虽然人工智能在发现已知甚至零日漏洞方面表现出色，但在复杂、真实世界的环境中证明可利用性以及与人工智能驱动的对手快速工程利用相比的修复速度方面仍存在挑战。这一趋势表明利用时间正在缩短，人工智能代理能够在几分钟内将CVE转化为可用漏洞，从而需要更快、更自动化的修复周期。
-
中国AI安全代理超越OpenAI、Anthropic，位列全球排名 · 跟踪1个来源
国内AI安全代理Sangfor AI在CyberGym安全评估平台上取得了全球前四名和中国第一的成绩。Sangfor AI利用GLM-5.2模型，成功解决了1507个漏洞挑战中的1301个，成功率为86.3%。这一表现超越了OpenAI和Anthropic的AI安全代理，展示了中国AI在复杂代码分析和漏洞发现方面的能力。
-
Sangfor AI 在 AI 安全基准测试中全球排名前四
Sangfor AI 在 CyberGym AI 安全能力基准测试中取得了全球前四名和中国第一名的成绩。利用 GLM-5.2 基础模型，Sangfor AI 成功完成了 1507 项任务中的 1301 项，在应对全面的 ARVO 和 OSS-Fuzz 漏洞挑战时成功率达到 86.3%。这一表现凸显了国内 AI 模型在专业安全评估中的日益增强的实力。
-
AI渗透测试发现传统工具遗漏的关键漏洞
AI驱动的渗透测试工具比传统的基于签名的扫描器更有效地发现了长期存在的开源项目中的关键漏洞。curl和FFmpeg等项目，虽然经过了广泛的人工和自动化审计，但在AI分析（能够推理代码逻辑和复杂攻击链）时仍然暴露出重大漏洞。例如，Anthropic的Project Glasswing在1000个开源项目中发现了大量漏洞，包括curl中存在27年的身份验证绕过漏洞和FFmpeg中存在16年的内存损坏漏洞，这些漏洞此前均未被发现。
-
AI漏洞发现将在经历2026-2027年动荡期后偏向防御
AI模型有望显著增强漏洞发现能力，将格局从稀疏采样转变为密集采样。尽管此转变最终将有利于防御，但由于现有系统的补丁推出缓慢，预计在2026-2027年将经历一段动荡期。虽然像Mythos Preview这样的AI已经发现了很大比例的严重漏洞，但随着容易发现的问题被解决，未来的模型可能会发现较少的新颖问题，但代码库的整体安全性预计将得到改善。
-
新的ARVO数据集增强了开源软件漏洞的可复现性
研究人员开发了ARVO，一个旨在提高开源软件漏洞数据可复现性的新数据集。该数据集通过专注于使每个漏洞在不同版本之间都能持续地重建、触发和分析，解决了可复现性、数量和多样性之间常见的权衡问题。ARVO包含来自311个项目的6100多个真实世界漏洞，成功复现了其中81%，并在定位相应补丁方面达到了89.4%的准确率。