本研究旨在评估大型语言模型（LLM）在重复性漏洞检测任务中的表现一致性。研究者使用 Snyk VulnBench JS 1.0 基准测试，对同一份 JavaScript 代码、相同的提示词和测试框架进行了 300 次重复扫描，重点分析 GPT-4 等代理型 LLM 在安全审查中的可重复性。实验发现，LLM 的检测结果存在高度不均衡：参考匹配的发现（即与基准答案一致的漏洞）在五次重复中表现稳定，但额外的、非匹配的发现则极不稳定——在 250 次模型运行中，161 个独特非匹配发现里有 80 个仅出现在一次，仅 22 个在全部五次中出现。相比之下，当 Claude 匹配到 Snyk Code 参考发现时，134/158 的独特匹配发现在五次重复中全部出现，稳定性显著更高。研究还揭示了互补性：模型能持续发现常见的高信号利用模式，甚至在一个案例中识别出 Snyk Code 产品的潜在遗漏。而确定性 SAST 工具（Snyk Code）则能系统性地列举重复的数据流污染点。结论认为，代理型 LLM 审查与确定性 SAST 应结合使用，而非相互替代。本文适合安全工程团队、LLM 应用研究人员和 Benchmark 设计者阅读，以理解 LLM 在漏洞检测中的可靠性边界。