本地开源LLM代理在漏洞复现任务中的能力边界分析

这篇来自 arXiv cs.CR 的论文评估了十二种配置、跨越三代架构和三种量化级别的本地开源大语言模型，在 CyberGym 十个漏洞复现任务上的表现。结果显示，即便是 4B 参数量的模型也能解决六个较易任务中的大部分，而区分不同配置能力的瓶颈在于剩余四个高难度任务，这些任务需要 27B 参数量的模型才能完成。量化处理并未改变模型在匹配对中的成功求解范围，但显著影响了达到目标的速度，其中混合专家（MoE）架构以更短的墙钟时间达到了相同的分数。 研究深入分析了智能体的执行轨迹，发现几乎所有运行案例，包括失败的尝试，都能正确命名脆弱函数并提出正确的假设。真正的失败点不在于推理或假设生成阶段，而在于将假设转化为实际可运行的输入代码时。这一发现表明，当前本地模型在理解漏洞逻辑方面已具备相当能力，但在自动化构建攻击载荷的工程化环节仍存在差距。实验覆盖了单张消费级 GPU 可运行的模型，验证了端侧部署的可行性。 事实层面确认了 4B 至 27B 模型在特定基准下的性能分层及量化对速度的影响；推断层面认为本地 Agent 的核心短板已从“理解”转向“执行”，即从语义推理迁移到代码生成的工程稳定性；猜测层面推测未来针对此类任务的优化应聚焦于减少幻觉导致的无效输入生成，而非单纯增加参数量。材料未提及具体商业应用落地时间表，仅作为技术基准报告存在。