该论文针对 JavaScript 与 TypeScript 生态中自动化漏洞检测长期受限于高质量训练数据不足的问题，构建并公开发布了函数级漏洞数据集 JsVul。与常见的多语言通用数据集不同，JsVul 采用面向 JS/TS 的语言特定处理流水线：作者从七个主要来源采集数据，围绕安全修复提交收集修复前与修复后的代码版本，并通过过滤与安全无关的产物（如压缩/混淆代码、仅涉及格式或注释的装饰性改动）以及施加自动化语法规范化，把真正与安全相关的代码变更隔离出来。为保证数据完整性，流水线还包含多阶段去重与基于启发式规则的标注；数据集以按时间排序的 JSONL 格式提供，便于做时序切分实验，降低训练/测试集泄漏风险。论文的核心贡献有三点：一是提供了一个规模化的、语言感知的 JS/TS 函数级“漏洞—修复”配对数据集，可直接用于监督学习式的漏洞检测模型训练；二是论证了在构建漏洞数据集时语言特定预处理对降低噪声、提升标签质量的重要性；三是为后续漏洞检测模型与代码大模型的训练和评测提供可比较的数据基础。适合漏洞检测研究者、代码大模型团队、SAST/SCA 工具开发者以及需要在真实 JS/TS 代码上评估模型的安全工程团队阅读。需要注意的是，论文摘要表明标签由启发式方法生成，实际使用前应评估其标注准确率。