本文研究了自动化代码审查工具在拉取请求（PR）安全评审中的可靠性问题，揭示了一个被忽视的“裁决-诊断差距”（Verdict-Diagnosis gap）：现有评估往往只关注审查工具是否阻止了恶意变更（裁决），却忽略了阻止原因是否真正指向目标漏洞（诊断）。如果一个PR因无关问题被阻止，而真正的漏洞未被识别，修复报告的问题后漏洞依然可利用，这会导致安全评估虚高。为解决这一问题，作者提出了MalPR-Bench基准，包含89个恶意PR和50个配对良性PR，覆盖44个仓库、8种语言族。每个恶意案例都预先定义了评估细则，明确目标漏洞、接受的机制描述、所需仓库证据以及不获评分的非目标发现。审查结果从裁决正确性、目标漏洞识别能力和证据验证三方面分别打分，只有三者全部满足才算“可归因阻止”。作者进一步提出了PRGuard，一个可归因的PR安全审查器，它通过非执行工具和有界检索，针对候选漏洞在仓库证据中验证其前提，以确定性方式工作。在31个公共覆盖的留出恶意PR上，PRGuard和CodeRabbit的总阻止数相近（22/31对24/31），但PRGuard正确识别目标漏洞数为22，而CodeRabbit为16，达到1.38倍差距。对于14个“缺失型”（absence-type）案例，两者都阻止了9个，PRGuard识别出9个目标漏洞，而CodeRabbit仅识别出3个。进一步分析显示，CodeRabbit在必需证据位于改动文件内时能识别16/24个目标，但当证据位于改动文件之外时，0/7个目标被识别。PRGuard还发现了五个项目中的12个此前未公开、有概念验证支持的安全漏洞。在对这些发现型PR的测试中，PRGuard/DeepSeek和CodeRabbit都阻止了10/12个，但可归因阻止分别为10/12和4/12。这一结果表明，仅看裁决（阻止与否）会显著高估自动审查的安全价值。本文的贡献在于提出了VD差距这一新视角，构建了机制级基准MalPR-Bench，并引入了更可靠的归因审查方法PRGuard，为安全代码审查的评估和工具设计提供了更严谨的方向。适合自动化安全分析、软件供应链安全及代码审查工具开发者阅读。