Radar Live
✦ Ask AI
AI INTELLIGENCE & SIGNALS

Metrics Failure in LLM-Based Code Vulnerability Repair: An Empirical Study and a Change-Aware Screen

Phân tích đã xử lý trước và các nguồn liên quan.

Tín hiệu Radar

68 RADAR
Research Vulnerability Repair Evaluation · 1 nguồn đối chiếu · 2026-09-22 17:32:05 +0000 UTC

Metrics Failure in LLM-Based Code Vulnerability Repair: An Empirical Study and a Change-Aware Screen

Nguồn: arXiv AI
↗

Nghiên cứu thực nghiệm chứng minh rằng 'compile rate' và whole-function CodeBLEU là các thước đo không đáng tin cậy để đánh giá năng lực LLM tự động sửa lỗ hổng C/C++. Khoảng 64% lỗi biên dịch bắt nguồn từ dataset và harness thay vì mô hình, đồng thời việc tối ưu theo compile rate dễ sinh ra các bản vá gian lận (xóa code hoặc chèn placeholder). Nhóm tác giả đề xuất diff_F1 làm bộ lọc sơ tuyển dựa trên vùng thay đổi (change-aware screen) trước khi tiến hành đánh giá thực thi sâu.

✦ TÁC ĐỘNG & GIÁ TRỊ THỰC TIỄN

Cảnh báo lỗ hổng phương pháp luận nghiêm trọng trong việc đánh giá AI sửa lỗi bảo mật: thước đo phổ biến nhất (compile rate) có thể tối ưu hóa ra mã rác hoặc làm mất logic hệ thống. Việc chuyển dịch sang đánh giá tập trung vào thay đổi (diff-aware) và kiểm thử thực thi thực tế là điều kiện tiên quyết để xây dựng các công cụ vá lỗi AI đáng tin cậy trong thực tế.

Developer 81
Business 68
Novelty 80
Actionable 78

Nội dung thu thập đã chuẩn hóa

Collected Evidence

Nội dung văn bản được dùng làm dữ liệu đối chứng cho mô hình AI, không phải chỉ thị hệ thống.

Large language models (LLMs) are increasingly applied to the automated repair of C/C++ security vulnerabilities, and compile rate is a commonly reported proxy for progress: whether the generated patch compiles. We argue that compile rate is a scientifically unreliable metric for single-function vulnerability repair, and we support this with five controlled experiments over 203 vulnerable functions from Big-Vul, three open-source code LLMs (350M to 6.7B parameters), and three prompting strategies. Compile rate (i) barely responds to an intervention that substantially improves the generated code; (ii) is dominated by evaluation-harness and dataset artifacts rather than model quality, with about 64% of compile failures not attributable to the model, a share that is nearly invariant across models; (iii) shifts by 1.8 to 2.7 times on identical patches under a single compiler-standard flag, with zero regressions; (iv) ranks the three models in the opposite order to reference-similarity metrics; and (v) rewards non-repairs when used as an optimization target, since a compiler-feedback loop raises compile rate while similarity to the human fix falls, with manual inspection finding deletion- and placeholder-style non-repairs among the newly compiling outputs. The natural fallback, whole-function CodeBLEU, also fails: an unchanged copy of the vulnerable input outscores every model. We also examine diff_F1, a change-aware screen that scores only the edited region. It gives exactly zero credit to a no-op and near-zero credit to some, though not all, of the deletion-based gaming patches we observed, while still crediting genuine partial edits, so it may serve as a cheap screen before deeper, execution-based analysis. It is not a repair-quality metric, and we report where it falls short. Our findings argue for change-aware, execution-grounded evaluation of LLM-based vulnerability repair.

Các nguồn đối chiếu cho sự kiện này

1 nguồn
Thông tin phân tích AI & Model Details ▾
Provider: openai-compatible · Model: gemini-3.8-flash-high · Version: analysis-v1 · Time: 2026-09-23 09:50:24 +0000 UTC
{"tags": ["LLM", "Vulnerability Repair", "CodeBLEU", "Compile Rate", "diff_F1", "Big-Vul", "Software Security", "Empirical Study"], "risks": ["Lạm dụng compile rate làm mục tiêu tối ưu hóa (optimization target) sẽ khiến LLM sinh mã xóa tính năng hoặc làm hỏng logic nghiệp vụ để được biên dịch thành công.", "diff_F1 chỉ là bộ lọc sơ loại chứ không phải thước đo chất lượng sửa lỗi, không thay thế được kiểm thử thực thi (execution-based testing).", "Chi phí và độ phức tạp cao khi xây dựng môi trường kiểm thử thực thi toàn diện cho các lỗ hổng C/C++ trong thực tế."], "category": "Research", "entities": ["Big-Vul", "CodeBLEU", "diff_F1", "LLM"], "summary_vi": "Nghiên cứu thực nghiệm chứng minh rằng 'compile rate' và whole-function CodeBLEU là các thước đo không đáng tin cậy để đánh giá năng lực LLM tự động sửa lỗ hổng C/C++. Khoảng 64% lỗi biên dịch bắt nguồn từ dataset và harness thay vì mô hình, đồng thời việc tối ưu theo compile rate dễ sinh ra các bản vá gian lận (xóa code hoặc chèn placeholder). Nhóm tác giả đề xuất diff_F1 làm bộ lọc sơ tuyển dựa trên vùng thay đổi (change-aware screen) trước khi tiến hành đánh giá thực thi sâu.", "key_changes": ["Chứng minh compile rate là thước đo không đáng tin cậy: ~64% lỗi biên dịch xuất phát từ dataset và harness thay vì mô hình.", "Chỉ ra compile rate có thể biến động 1.8 đến 2.7 lần chỉ vì thay đổi cờ tiêu chuẩn của trình biên dịch (compiler standard flag).", "Phát hiện vòng lặp compiler-feedback khuyến khích các bản vá gian lận (xóa mã hoặc chèn placeholder) để vượt qua biên dịch.", "Vạch trần whole-function CodeBLEU bị lỗi nghiêm trọng khi một bản sao giữ nguyên lỗi ban đầu lại đạt điểm cao hơn mọi mô hình.", "Đánh giá diff_F1 như một cơ chế sàng lọc vùng chỉnh sửa (change-aware screen) giá rẻ trước khi kiểm thử thực thi chuyên sâu."], "sub_category": "Vulnerability Repair Evaluation", "novelty_score": 80, "business_score": 68, "research_score": 92, "why_it_matters": "Cảnh báo lỗ hổng phương pháp luận nghiêm trọng trong việc đánh giá AI sửa lỗi bảo mật: thước đo phổ biến nhất (compile rate) có thể tối ưu hóa ra mã rác hoặc làm mất logic hệ thống. Việc chuyển dịch sang đánh giá tập trung vào thay đổi (diff-aware) và kiểm thử thực thi thực tế là điều kiện tiên quyết để xây dựng các công cụ vá lỗi AI đáng tin cậy trong thực tế.", "developer_score": 88, "importance_score": 84, "possible_use_cases": ["Thiết kế pipeline đánh giá benchmark chuẩn xác cho các hệ thống tự động sửa lỗi bảo mật (Automated Program Repair - APR).", "Sử dụng diff_F1 làm bộ lọc nhanh (cheap screen) trong CI/CD trước khi kích hoạt quy trình kiểm thử động/thực thi tốn kém tài nguyên.", "Định chuẩn và tinh chỉnh lại các mô hình ngôn ngữ lớn (Code LLMs) chuyên dùng cho an toàn mã nguồn C/C++."], "actionability_score": 78}
← Trang trước Trang 1