Estudo propõe usar classificadores leves e calibrados, em vez do próprio LLM, para validar achados de agentes de pentest autônomos
O artigo argumenta que harnesses autônomos de teste de penetração baseados em LLM cometem erros de confirmação de achado, gradação de severidade e seleção de agente porque usam o mesmo modelo generativo para atacar e para julgar o próprio ataque, gerando falsos positivos e severidade inflada. Os autores propõem usar classificadores leves não generativos ("System One", como o Jev e o Laya open source) para essas decisões, com um estudo de caso exploratório contra um alvo web com 13 vulnerabilidades conhecidas mostrando diferenças de severidade, tempo de execução e gradação por tipo de dado exposto.
Fonte ↗