AI能挖漏洞吗？北航等机构把真实漏洞炼进了模型参数

给一个大模型漏洞描述和代码仓库，它能否像安全研究人员一样，读代码、找入口、调用工具、构造输入，并反复验证自己的判断？

来自北京航空航天大学、欧洲学习与智能系统研究院（ELLIS）、新加坡管理大学（SMU）和至知创新研究院（IQuest Research）的研究团队提出了 CyberFactory，并在此基础上训练出开源网络安全模型 OpenAegis。这项工作的重点并不是再收集一批静态题目，而是补上从真实漏洞到智能体训练轨迹的整条链路。

这项工作围绕两个过去没有被同时解决的问题展开。

前者解决 “题从哪里来”，后者解决 “高质量解题过程怎样来”。两者结合后，团队得到的不是普通问答对，而是包含代码检索、工具调用、编译运行、失败分析和结果验证在内的完整智能体轨迹。

真实世界中的漏洞材料来源复杂，完整程度也不相同。CyberFactory 使用了 ARVO、OSS-Fuzz 和开源 CVE 等多类来源。

任务实例规定了模型要解决什么问题，却没有规定模型应当怎样处理。直接生成轨迹时，模型可能把大量时间花在临时构造输入或重复尝试上，缺少稳定的分析流程。

Skill 只给出分析流程，模型仍然需要与环境交互，自行识别并触发每个漏洞。CyberFactory 只保留最终结果满足对应任务验证条件的轨迹。

团队使用上述轨迹训练了多任务网络安全模型 OpenAegis。模型同时学习三类互补任务：

在 CyberGym 测试中，所有模型使用相同的脚手架，并规定一小时任务时限。结果如下：

漏洞复现往往要经历数十次工具交互，完整历史可能在任务结束前耗尽上下文。CyberFactory 在上下文使用达到 90% 时，把已经确认的证据、失败尝试、未决猜想、构建状态和下一步行动压缩成可继续执行的工作状态，再让智能体接着完成原任务。

我们在 GLM 5.2 上直接加入漏洞分析 Skill，观察这套方法能否提高轨迹生成效率。未加入 Skill 时，每个任务运行 1 次、每次 60 分钟，Pass@1 为 43.3%；加入 Skill 后，每个任务运行 5 次、每次缩短到 15 分钟，Pass@1 升至 46.5%。两组实验并非等算力比较，因此这里强调的不是单次推理优势，而是更高的成功轨迹产出效率。

CyberFactory 还不是一套包打天下的方法。

OpenAegis 的价值，不只在于取得了一个更高的测试分数，而在于它展示了一条可以复现的能力建设路径：

【开源免费】Browser-use 是一个用户AI代理直接可以控制浏览器的工具。它能够让AI 自动执行浏览器中的各种任务，如比较价格、添加购物车、回复各种社交媒体等。

项目地址：https://github.com/browser-use/browser-use

【开源免费】AutoGPT是一个允许用户创建和运行智能体的（AI Agents）项目。用户创建的智能体能够自动执行各种任务，从而让AI有步骤的去解决实际问题。

项目地址：https://github.com/Significant-Gravitas/AutoGPT

项目地址：https://github.com/geekan/MetaGPT/blob/main/docs/README_CN.md

【开源免费】XTuner 是一个高效、灵活、全能的轻量化大模型微调工具库。它帮助开发者提供一个简单易用的平台，可以对大语言模型（LLM）和多模态图文模型（VLM）进行预训练和轻量级微调。XTuner 支持多种微调算法，如 QLoRA、LoRA 和全量参数微调。

项目地址：https://github.com/InternLM/xtuner