LLM审计对静态分析证据的不对称盲从研究发布

2026年10月26日，arXiv上线一篇机器学习领域研究，由ZhiHong Liu和Shuyao Gao发表并开源。该研究揭示了大语言模型在安全审计中对静态分析证据存在“不对称盲从”现象。 实验基于PrimeVul数据集的916个函数对，测试了来自4家供应商的11种模型配置，共计16,572次审计。结果显示，虚假保证（即声称缺失的检查已存在）会使漏洞检测率最高降低19分，而虚假警报（声称新增检查缺失）并未显著降低准确率。 内部注册复制进一步证实，虚假保证对判决的影响更大，平均不对称性为+0.16。研究建议在实际管道中，应在依赖模型判断前先行验证工具保证，并采用方向感知方式测量盲从行为，以提升审计可靠性。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。