白泽(Whitzard)女娲实验室 ↗
NUWANUWA INDEX

搜索 NUWA Index

研究 · 测量协议 · 评测结果 · 观点

English
← 研究目录

风险评测 · 评测基准

SEC-bench: Automated Benchmarking of LLM Agents on Real-World Software Security Tasks

NUWA 研究解读 · 独立复核待完成

首次发表: 来源核验: 2026-10-25
NUWA Research Note研究问题研究设计与假设来源发现NUWA 解读局限与相反证据研究与决策意义机构与角色原始资源

模型辅助整理 · 选读原始全文或官方文章中的相关章节;尚未完成逐章节审计。

研究速读

NUWA 解读:复现与修补是信息条件不同的两类任务。

研究问题

能否构造带可复现漏洞和修补核验的安全智能体数据集?

研究设计与假设

自动流水线重建C/C++项目,验证内存安全缺陷,以多个编程框架评测复现和修补。

SEC-bench — Figure 1
Figure 1 · 原文 Figure 1。请结合下方的协议范围与局限阅读。 原图与来源 ↗

来源发现

完整数据集所报最佳成功率分别18.0%与34.0%。

修补提供漏洞位置,复现需更多探索。

NUWA 解读

NUWA 解读:复现与修补是信息条件不同的两类任务。

局限与相反证据

基于检测器的内存问题及C/C++覆盖排除了许多其他系统故障(§5)。

研究与决策意义

模型建议:保留任务类型及位置提示,不把检测器复现等同于利用影响。

精确来源位置

来源核查、数据提取、编辑批准与实验复现分别记录。 方法说明 →

机构与角色

作者 (4)

Hwiwon Lee · Ziqi Zhang · Hanxiao Lu · Lingming Zhang

评测协议

SEC-bench →

引用与复用

引用研究发现时请引用原始出版物;引用 NUWA 的整理与解释时,单独引用本站记录及对应快照。

原始出版物 · BibTeX
@misc{sec-bench,
  title = {SEC-bench: Automated Benchmarking of LLM Agents on Real-World Software Security Tasks},
  url = {https://arxiv.org/abs/2506.11791},
  author = {Hwiwon Lee and Ziqi Zhang and Hanxiao Lu and Lingming Zhang},
  year = {2025},
  date = {2025-06-13},
  version = {arXiv:2506.11791v2},
  note = {arXiv:2506.11791v2}
}
NUWA 记录 · BibTeX
@misc{sec-bench-nuwa,
  title = {SEC-bench: Automated Benchmarking of LLM Agents on Real-World Software Security Tasks — NUWA research record},
  url = {https://whitzard.tech/nuwa/whitzard-index/work/sec-bench/},
  version = {2026-10-29.1},
  organization = {NUWA Frontier AI Safety Lab},
  howpublished = {Retained note edition: https://whitzard.tech/nuwa/whitzard-index/data/record-editions/2026-10-29.1--sec-bench.json},
  note = {NUWA research note. Source-reading scope and independent review status are stated on the record. Snapshot 2026-10-29.1. Retained note edition: https://whitzard.tech/nuwa/whitzard-index/data/record-editions/2026-10-29.1--sec-bench.json.}
}

证据快照 2026-10-29.1 · 索引更新 · RSS

参考文献

  1. [1] Hwiwon Lee  Ziqi Zhang  Hanxiao Lu † Lingming Zhang. SEC-bench: Automated Benchmarking of LLM Agents on Real-World Software Security Tasks. 2025-06-13. v2 [arXiv]; Author affiliations on the original paper title page; Abstract; §3.1 Experimental Setup