本文针对基于大语言模型的AI智能体在自动化漏洞修复评估中存在的效度威胁问题开展研究。作者指出，现有评估方法通常仅通过让补丁接受原始PoC（概念验证）输入不再触发崩溃来判定补丁有效，但这种验证方式存在两个主要缺陷：一是智能体可能直接复现历史开发者补丁，即存在"补丁记忆"问题；二是智能体可能仅针对崩溃堆栈进行表面修补，抑制崩溃现象而未真正修复漏洞根因。为量化这些影响，作者首先提出一种补丁相似度度量方法来检测记忆补丁，实验发现平均25%的智能体补丁与历史开发者补丁高度相似，证实了补丁记忆的严重性；同时观察到智能体常利用基准测试结构，通过修改崩溃堆栈相关位置绕过验证而非定位并修复根因。为解决上述问题，作者提出新型基准PatchBench，其选取真实修复代码位于崩溃堆栈之外的历史漏洞，通过漏洞移植与代码变异将漏洞迁移至新的仓库上下文，从而降低表面修复和补丁记忆风险。同时，作者设计了更完善的补丁验证方法，从安全正确性与语义正确性两方面全面评估智能体补丁。在11个最先进智能体（包括AIxCC竞赛前三名）上的实验表明，仅基于PoC的原始验证平均将智能体修复成功率虚增1.83倍。研究结果揭示了当前修复型智能体的关键局限，并指出了未来更可靠漏洞修复的研究方向。本文适合LLM安全研究、软件漏洞自动化修复系统开发及大模型评估基准设计等领域的人员阅读。

该论文提出了一种名为 StackPatch 的动态漏洞修复框架，专门针对资源受限且要求持续运行的嵌入式设备（如医疗设备、软PLC等）。现有动态补丁技术不适用于嵌入式系统，因为这类设备计算能力和内存有限，且缺乏足够的空闲内存来支持传统补丁机制；此外，不同处理器架构增加了补丁触发器的兼容性难度。StackPatch 的核心创新在于基于栈帧重构（Stack Frame Reconstruction）的方法：它利用异常处理机制（嵌入式处理器普遍支持）来实现控制流重定向，从而在不中断服务的情况下将补丁代码注入运行中的程序。框架支持多种触发策略，以更新存储单元中的程序。作者在三种主流微控制器架构（ARM、RISC-V、Xtensa）上进行了评估，使用 StackPatch 成功修复了实时操作系统（RTOS）中的 102 个公开漏洞，并应用于医疗设备、软 PLC 和网络服务。实验表明，每次漏洞修复耗时不超过 260 个 MCU 时钟周期，证明了其高效性和跨架构兼容性。该工作面向嵌入式安全研究人员、RTOS 开发者以及需要保障关键基础设施高可用性的安全工程师，填补了嵌入式设备动态热补丁技术的空白。

本文提出了一种名为APPATCH的自动化漏洞修补系统，利用大型语言模型（LLMs）在无需测试输入、漏洞利用证据以及模型训练或微调的情况下，实现对真实世界软件漏洞的自动化修补。核心挑战在于如何有效引导LLMs推理易受攻击的代码行为，以生成高质量补丁。作者引入漏洞语义推理和自适应提示方法，根据漏洞上下文动态调整提示策略。在97个零日漏洞和20个现有漏洞上的评估表明，APPATCH在F1分数上比现有最佳基线提升28.33%，召回率提升182.26%，优于现有提示方法和非LLM技术。论文还分析了LLM补丁有效性的关键因素及当前局限，为基于LLM的漏洞修补提供了实践见解。