Vul-R2：用于自动化漏洞修复的推理型大语言模型
人工智能
2025-10-08 v1 软件工程
摘要
软件漏洞的指数级增长导致自动化漏洞修复 (AVR) 解决方案迫在眉睫。最近的研究将AVR形式化为序列生成问题，并利用大型语言模型 (LLM) 来解决此问题。通常，这些方法通过提示或微调LLM来直接生成漏洞修复。尽管这些方法显示出最先进的性能，但面临以下挑战：(1)缺乏高质量的漏洞相关推理数据。当前方法主要依赖承载模型，主要编码通用编程知识。缺乏漏洞相关推理数据，导致其难以捕捉多样化的漏洞修复模式。(2)难以在LLM训练期间验证中间漏洞修复过程。现有强化学习方法通常利用环境（如沙盒执行结果）中提供的中间执行反馈来指导训练。相比之下，漏洞修复过程通常缺乏此类中间可验证反馈，这给模型训练带来了额外挑战。
引用
@article{arxiv.2510.05480,
title = {Vul-R2: A Reasoning LLM for Automated Vulnerability Repair},
author = {Xin-Cheng Wen and Zirui Lin and Yijun Yang and Cuiyun Gao and Deheng Ye},
journal= {arXiv preprint arXiv:2510.05480},
year = {2025}
}
备注
13 pages, 8 figures. This paper is accepted by ASE 2025