PrimeVul
PulseAugur coverage of PrimeVul — every cluster mentioning PrimeVul across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
LLM在漏洞检测中对静态分析证据表现出不对称信赖
一篇新的arXiv论文研究了大型语言模型（LLM）在漏洞检测中与静态分析工具的交互方式。研究发现，LLM表现出不对称信赖，它们会被捏造的漏洞存在保证误导，但不太会受到捏造的漏洞存在警报的影响。这表明当前将LLM与静态分析相结合的流程可能并不可靠，因为模型没有充分审查工具提供的证据。
-
AI系统REVA实时检测代码漏洞
研究人员开发了REVA，一个专为代码实时漏洞检测设计的新AI系统。与模仿人类安全专家的慢速基于代理的方法不同，REVA使用LLM在单次前向传播中处理代码函数。它实现了与最先进的代理探测器相当的高准确率，但速度更快、成本效益更高。REVA的方法利用上下文信息和内部LLM表示来更有效地识别漏洞。
-
研究发现：大型语言模型内部状态可揭示代码漏洞
研究人员开发了一种方法，通过分析大型语言模型（LLMs）的内部激活而非仅仅是最终输出来检测代码漏洞。通过在Granite 4.1 8B和Qwen3.5-9B等模型的潜在激活上训练小型探测器，他们发现这些内部状态可以指示C/C++代码中是否存在漏洞。虽然在某些基准测试中，这些探测器取得了有竞争力的结果，但在更具挑战性的数据集上，它们仍然落后于最先进的分类器，这表明在模型原生漏洞筛查方面仍有未来发展的潜力。
-
新基准IoTVulBench改进了物联网固件漏洞检测
研究人员推出了IoTVulBench，这是一个旨在改进物联网固件漏洞检测的新基准。该基准具有人工验证和污染筛选的标注，解决了现有数据集的局限性。使用IoTVulBench进行的实验表明，与单纯的模型规模相比，匹配领域的训练数据和课程设计对于固件漏洞检测的泛化更为关键。研究结果为增强物联网安全应用提供了实用的配置。
-
ANVIL 使用 LLM 进行基于异常的漏洞检测
研究人员开发了 ANVIL，这是一种通过将问题重新构建为异常检测来识别软件漏洞的新方法。与依赖有限标注数据的传统监督方法不同，ANVIL 利用在海量未标注代码上训练的大型语言模型 (LLM)。该系统通过让 LLM 重建被掩盖的代码片段，并将原始代码的偏差评分作为异常。与 PrimeVul 数据集上现有的监督检测器相比，该方法表现出更优越的性能，Top-3 准确率最高可提高一倍，ROC-AUC 显著提高。此外，ANVIL 与模糊测试器的…
-
VulnAgent-R2 框架增强了仓库级软件漏洞检测能力
研究人员开发了 VulnAgent-R2，这是一个先进的多智能体审计框架，旨在检测仓库级别的软件漏洞。该系统通过纳入反事实证据重加权、构建感知验证计划合成以及成本风险帕累托调度器等模块，改进了先前的方法。VulnAgent-R2 在多个基准数据集上展示了增强的性能，取得了高 F1 和 AUROC 分数，同时还减少了执行所需的计算令牌数量。