REVA实时漏洞检测研究发布

该论文提出 REVA（Real-time Vulnerability Analysis），一种能在单次前向传播中完成漏洞检测的 AI 工具，旨在解决代码生成 Agent 因多步推理导致的安全审查延迟问题。在 PrimeVul 测试集上，基于 GLM-5.3-Flash 的 REVA 每函数耗时约一秒，准确率达到 60.0%，性能与需分钟级计算的 SOTA 代理检测器 VulTriage（59.2%）持平，但速度提升超过 250 倍且成本不足其十分之一。 REVA 的核心机制在于利用训练好的探针直接读取 LLM 在处理新函数时的内部表示，而非依赖模型生成的文本判决或传统的微调方法。系统为每个新函数提供预计算模块威胁模型、轻量级静态分析结果及调用图信息作为上下文。实验显示，在相同提示下，该探针比 LLM 直接输出判决的准确率高出 14% 至 17%；在三个开源大模型上的跨模型测试也表明，REVA 至少达到 VulTriage 的准确率水平，其中两个模型表现高出约 10%。 事实层面，该研究证实了 LLM 内部表征已编码了传统 Agent 检测器通过多轮工具调用和假设验证所获取的安全上下文。推断层面，这意味着未来实时安全防御架构可能从“运行复杂推理链”转向“优化探针与上下文注入”，从而大幅降低单位经济成本并消除时间窗口风险。猜测层面，若该技术能泛化至更复杂的动态场景，可能会改变当前对 Agent 安全方案必须牺牲效率换取准确率的行业共识，但具体落地效果仍需观察其在真实生产环境中的表现。