SecPRBench：用真实漏洞提交评测智能体代码审计能力

论文提出 SecPRBench，首个基于真实 bug 引入提交的智能体安全代码审计基准，通过自动化流水线采集、构建并验证漏洞提交，目前已收集 265 个任务，覆盖 Firefox、V8、OpenSSL 等九个关键系统。评测八款前沿模型，召回率在 32.5% 到 78.1% 之间，Grok 4.6 和 GPT-6 sol 排名靠前。研究还发现 68% 的漏报案例中智能体定位到了含漏洞的文件，但给出的漏洞机制判断错误。安全专用配置表现分化：OpenAI 的 Codex Security 因更多弃答使召回率下降 8.3 个百分点，Anthropic 的 Defending Code 配置则提升 7.7 个百分点，但成本更高。