CyberForge gera dados de treinamento de segurança injetando vulnerabilidades verificadas em projetos C/C++ reais
CyberForge injeta vulnerabilidades em repositórios C/C++ reais e valida cada instância exigindo que o build comprometido passe nos testes unitários originais do projeto e que uma prova de vulnerabilidade dispare apenas na versão vulnerável, produzindo um corpus de 1.034 vulnerabilidades verificadas em 80 projetos e 63 categorias de fraqueza. Ajustar modelos com esses dados melhorou a reparação de patches em benchmarks de segurança, com um modelo de 31B de parâmetros chegando perto do desempenho do seu professor GPT-5.4-mini.
Sete pesquisadores (Amine Lbath, Manan Suri, Aurelien Delaitre, Vadim Okun, Massih-Reza Amini, Ram D. Sriram e Dinesh Manocha) atacam um problema estrutural: agentes LLM defensivos precisam de muito mais dados de treinamento com ambientes de build e execução reproduzíveis do que a quantidade de CVEs históricos disponíveis permite, enquanto agentes ofensivos só precisam encontrar uma falha para serem úteis a um atacante. CyberForge tenta fechar essa assimetria sintetizando vulnerabilidades em escala, em vez de depender só do que já foi divulgado publicamente.
Tecnicamente, o framework injeta uma vulnerabilidade em um projeto C/C++ real e só aceita a instância se dois critérios dinâmicos forem satisfeitos: o build modificado precisa continuar passando na suíte de testes unitários original do projeto (garantindo que a vulnerabilidade não quebre a funcionalidade esperada) e uma prova de vulnerabilidade (PoV) gerada precisa disparar no build injetado mas não no build limpo (garantindo que a falha seja real e específica). O resultado é um corpus com localidade de edição semelhante à de patches de CVEs reais, mas que escala independentemente da disponibilidade de vulnerabilidades já divulgadas.
Na prática, isso importa porque o ajuste fino sobre trajetórias coletadas nesse corpus melhorou a reparação de patches em até 14,7 pontos no SEC-bench, em seis configurações de três escalas de modelo e dois professores diferentes, e os ganhos generalizaram para PatchEval, um benchmark com outras linguagens de programação — sinal de que o modelo aprendeu algo mais transferível do que memorização de padrões específicos do corpus de treino.
O ponto que merece atenção é o caráter dual-use do próprio método: a mesma técnica de injeção controlada de vulnerabilidades que gera dados de treino para agentes defensivos de patch também poderia, em tese, ser usada para gerar dados de treino para agentes ofensivos de descoberta de exploits, já que o pipeline de injeção e validação não depende do uso final dado ao corpus. Isso não invalida o valor defensivo do trabalho, mas reforça que a governança sobre quem tem acesso a esse tipo de dataset sintético de vulnerabilidades é uma consideração tão importante quanto a técnica em si.