Reva 用单次前向传播实现实时漏洞检测，速度提升 250 倍
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载实时筛查的动机
论文指出，漏洞发现得越晚，修复成本越高；而编码智能体产出代码的速度已经超过开发者评审的速度，因此需要一道能对每个新函数实时筛查的第一道防线。已有的 LLM 智能体可以像安全专家那样运行分析工具、查看周边代码、验证假设并权衡证据，但这条推理链要跨多次模型调用，单个判定需要数分钟算力，无法用于实时场景。另一类更快的检测器要么微调深度学习模型，要么直接让 LLM 给出结论，但缺少智能体收集的上下文，判定不可靠。
单次前向传播的做法
Reva 的思路是把智能体检测器背后的安全上下文与代码理解组件，合并进 LLM 的一次前向传播。对每个新函数，模型会拿到三样输入：该函数所在模块预先计算好的威胁模型、轻量静态分析的发现，以及调用图信息。在此基础上，Reva 使用一个训练好的探针，读取模型在这些上下文条件下对新函数形成的内部表示，并据此给出判定，而不是依赖模型自己生成的结论文本。
与智能体检测器的对比
在 PrimeVul 的留出测试集上，Reva 搭配 GLM-5.3-Flash 每函数约一秒即可达到 60.0% 准确率，与同样运行在该模型上的 VulTriage（59.2%）基本持平，但速度快 250 倍以上，成本不到后者的十分之一。在相同提示下，探针的准确率比 LLM 直接给出的判定高 14% 至 17%。跨三个开源模型测试时，Reva 的准确率至少与 VulTriage 相当，其中两个模型上高出约 10%。论文由此提出，LLM 的内部表示已经编码了智能体检测器通过推理才能获得的大部分信息。
为什么值得看
在准确率不降的前提下，把漏洞判定从分钟级压到秒级，为代码生成环节的实时筛查提供了可行路径。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。