REVA
一种实时漏洞检测方法，通过注入预计算上下文（威胁模型、静态分析发现、调用图信息）并用探针读取LLM内部表示，实现单次前向传播完成漏洞判断，大幅降低延迟与成本。
时间轴 (近 90 天)
REVA（REal-time Vulnerability Analysis）将agent式漏洞检测器所需的安全上下文和代码理解能力压缩进LLM的单次前向传播中，实现实时漏洞检测。
REVA在运行时向LLM注入三类预制信息：所在模块的预计算威胁模型、轻量级静态分析发现以及调用图信息。
REVA使用训练好的探针（probe）读取LLM在给定上下文下对函数的内部表示来进行安全性判断，而非依赖LLM生成文本判决。
在PrimeVul留出测试集上，REVA搭配GLM-5.3-Flash达到60.0%的准确率，每个函数约耗时一秒。
REVA在精度与VulTriage持平的前提下，速度超过250倍，成本不到十分之一。
在同一prompt条件下，探针读取内部表示比让LLM直接给出判决的准确率高出14%到17%。
跨模型验证中，在三个开源LLM上REVA的准确率至少与VulTriage持平，其中两个模型上高出约10%。
REVA的每秒一个函数的吞吐量足以嵌入CI/CD流水线，在代码合入前完成第一道过滤。
REVA的结果仅集中在PrimeVul一个基准上，60%左右的准确率距离完美仍有距离，且探针质量依赖训练数据覆盖范围，威胁模型和静态分析质量也会传导到最终判断。
对于高安全等级的代码库，REVA更适合作为初筛层而非最终裁决者。
全部知识事实 (10)
REVA（REal-time Vulnerability Analysis）将agent式漏洞检测器所需的安全上下文和代码理解能力压缩进LLM的单次前向传播中，实现实时漏洞检测。
50%待验证REVA在运行时向LLM注入三类预制信息：所在模块的预计算威胁模型、轻量级静态分析发现以及调用图信息。
50%待验证REVA使用训练好的探针（probe）读取LLM在给定上下文下对函数的内部表示来进行安全性判断，而非依赖LLM生成文本判决。
50%待验证在PrimeVul留出测试集上，REVA搭配GLM-5.3-Flash达到60.0%的准确率，每个函数约耗时一秒。
50%待验证REVA在精度与VulTriage持平的前提下，速度超过250倍，成本不到十分之一。
50%待验证在同一prompt条件下，探针读取内部表示比让LLM直接给出判决的准确率高出14%到17%。
50%待验证跨模型验证中，在三个开源LLM上REVA的准确率至少与VulTriage持平，其中两个模型上高出约10%。
50%待验证REVA的每秒一个函数的吞吐量足以嵌入CI/CD流水线，在代码合入前完成第一道过滤。
50%待验证REVA的结果仅集中在PrimeVul一个基准上，60%左右的准确率距离完美仍有距离，且探针质量依赖训练数据覆盖范围，威胁模型和静态分析质量也会传导到最终判断。
50%待验证对于高安全等级的代码库，REVA更适合作为初筛层而非最终裁决者。
50%