这篇论文审视大语言模型成员推断（membership inference）证据的可靠性。传统做法是：若模型对某句子预测代价异常低（困惑度低），就推断它出现在训练数据中；但几乎所有已发表的此类检验都必须猜测哪些句子是训练集成员、哪些不是，这种猜测本身就是偏差来源。作者利用 OLMo-2 与 Pythia 两个开源模型族公开的预训练语料，以及覆盖这些语料的公开索引，直接取得任意句子出现的精确重复次数，从而消除猜测。基于精确计数，论文从两侧'夹击'回答三个问题。其一，在普通文本实际具有的重复水平下，从 1B 到 13B 的五个模型对自身暴露最多只留下极微弱痕迹：作者让同一句子在两个模型上读取，在构造上抵消流畅度与文本质量影响，测得秩相关约 -0.08（-1 为完全相关，0 为无关）。其二，只有当重复次数超过约一千次时痕迹才变强，而两个语料库对'哪些句子被重复'判断一致，因为这些句子属于名人名言式的知名文本，暴露程度因此无法与'知名度'区分。其三，作者展示表观成员信号如何被制造：把成员句子改一个词来构造非成员是常见做法，模型确实偏好原句，但该差距与原文出现 1 次还是 100 次无关，说明模型奖励的是作者用词而非记忆；而在重复超过一千次的 12 个可测句子上，差距随模型规模增大，恰在相同临界点。此外，把对照组换成语体（register）不同的句子，可把检测器 AUC 从 0.83 提升到 0.94（0.5 为随机，1.0 为完美区分）。作者开源了句子集、重复计数与代码。结论是：成员证据只在被混淆之处才可检测，现有成员推断结论需谨慎解读。

本文提出 CyberForge 框架，用于合成可执行的、仓库级别（repository-level）的网络安全训练数据，以解决前沿 LLM 智能体在真实软件漏洞发现与修补方面能力受限的问题。当前攻防不对称严重：攻击者只需找到一个可利用弱点即可得手，而防御者必须在快速增长的代码库中持续识别并修补所有漏洞。防御型智能体有望缩小这一差距，但安全训练数据稀缺且难以复现构建与执行环境。CyberForge 通过向真实 C/C++ 项目中注入漏洞来生成数据，并动态验证每个实例：注入后的构建必须通过项目自带单元测试，同时生成的概念验证（PoV）必须能在注入构建上触发，而不能在干净构建上触发，从而保证合成漏洞的质量与真实性。与依赖历史 CVE 数据的增强技术不同，CyberForge 不受已知漏洞数量限制，因此可规模扩展。作者构建的语料库包含 1034 个经校验的漏洞，覆盖 80 个项目、63 个弱点类别，其编辑局部性（edit locality）与真实 CVE 补丁在真实噪声底线下相似。利用该语料库上收集的轨迹进行微调，在 SEC-bench 补丁修复任务上获得 +3.3 至 +14.7 分的提升，覆盖三个模型规模与两个教师模型共六种配置，其中 31B 学生模型达到其教师（GPT-5.4-mini）72.7% vs 74.0% 的水平。这些在分布外（OOD）语料库 PatchEval 上也能泛化，该语料库包含其他编程语言，所有配置均提升，31B 学生甚至超过其教师。该工作为防御性安全智能体的训练提供了可扩展的高质量数据来源，有望推动自动漏洞修复与代码审计的发展。