该论文关注的是一个正在快速浮现的安全盲区：随着编码智能体（coding agents）能力增强到可以从单条提示词直接生成复杂软件应用，人类监督方式已从逐行代码审查转向对最终运行结果的黑盒式验收。已有研究指出，这种转变带来关键风险——功能正确并不等于实现安全，代码可以通过全部功能测试却在安全属性上存在缺陷。然而要为训练更安全的编码智能体提供监督信号，现实困难在于：从真实代码仓库中大规模获取可靠的安全监督数据几乎不可行，人工编写安全测试成本高、覆盖面窄，且容易产生误报，从而把正确但实现方式不同的安全代码错误地判为不安全。 为此，作者提出 AuraForge，一个用于合成并验证可执行安全测试的框架，目标是直接服务于安全编码智能体的训练。其方法由三部分构成：一是面向攻击的测试合成（attack-oriented test synthesis），即从攻击者视角构造能区分安全与不安全实现的测试；二是语言可扩展的任务构建，使同一套流程能覆盖多种编程语言；三是针对奖励黑客（reward hacking）的防护机制，避免模型通过钻测试空子而非真正修复安全问题来获得奖励。 基于 AuraForge，作者构建了 AuraGym——一个多语言、多 CWE 的可执行训练 gym，包含来自 344 个真实仓库的 679 个可执行功能实现任务，覆盖 Python、JavaScript 和 TypeScript，涉及 177 个 CWE 类别。在带有人工编写安全测试的子集上做对比评估：AuraForge 平均产生的测试用例数量约为人工版本的 3 倍，同时将误报率降低 83.23%，这意味着替代性的安全实现也能获得正确的监督信号，而不是被误判惩罚。 训练实验方面，使用合成安全测试训练 Qwen3.5-4B，其收益明显优于使用人工编写安全测试：在三种语言上平均达到 19.7 FuncPass 与 6.2 SecPass，而人工测试基线为 14.9 FuncPass 与 4.4 SecPass。整体贡献可归纳为：证明可扩展的自动化安全测试合成能够提供更丰富、更可靠的监督信号，从而有效提升编码智能体的安全实现能力。适合从事 LLM 编码智能体训练与评测、安全测试自动化、以及 AI 对齐与奖励设计的研究与工程人员阅读。 说明：以上内容完全基于论文摘要，未获取正文实验细节、数据集构造流程与具体验证方法，相关结论的强度与可复现性仍需以原文为准。