在软件安全领域，使用语言模型自动检测代码漏洞已成为重要研究方向。随着参数规模从数十亿向数十亿以下压缩，小模型在漏洞检测任务上的表现差异显著。不同于单纯关注成本与性能的对比研究，本文聚焦于真实漏洞数据集上不同参数规模语言模型的检测准确率、漏报率与误报率，为工程团队选择合适的检测模型提供细粒度参考。
漏洞检测的核心指标：准确率之外的盲区
在评估漏洞检测模型时，整体准确率往往掩盖了关键问题。实际工程中更值得关注的是两个互补指标：误报率（False Positive Rate, FPR）和漏报率（False Negative Rate, FNR）。误报率过高会导致安全团队被大量无效告警淹没，消耗本可用于处理真实漏洞的资源；漏报率过高则意味着真正威胁被忽视，安全性形同虚设。理想状态下，我们希望同时控制两者在较低水平，但实际数据集和模型能力往往迫使团队在两者之间做出权衡。
现有基准测试揭示了一个关键问题：许多公开数据集存在标签噪声和数据泄露，这在一定程度上抬高了模型的表面准确率。当使用经过去重和严格标注的数据集（如 PRIMEVUL 系列）进行评估时，模型真实性能往往低于预期。这意味着早期研究报告中超过百分之九十的准确率需要审慎解读，因为它们可能并未反映生产环境的实际情况。
参数规模与检测能力的阶梯分布
基于多项实证研究的结果，不同参数规模的语言模型在漏洞检测任务上呈现明显的阶梯式分布。在二分类漏洞存在性检测任务中，参数规模在数十亿级别的大型模型在短代码片段上可达百分之八十五以上的准确率，但当任务细化为识别具体 CWE 类型时，性能显著下降。这一现象表明，基础的漏洞有无判断相对容易，而精确的漏洞分类对模型理解能力要求更高。
小模型（参数规模在数亿至数十亿之间）经过针对性微调后，在特定漏洞类型上可以达到接近大模型的表现。例如，针对智能合约重入漏洞微调的小模型在相应任务上展现了较高的检出能力。然而，这种优势往往局限于训练数据中充分覆盖的漏洞类型，面对分布外的变体时，漏报率会急剧上升。研究显示，小模型在成对比较和真实提交场景下的误报率控制能力仍与大模型存在明显差距。
漏报率与误报率的实际权衡
在生产环境中部署漏洞检测模型时，团队通常需要设定可接受的误报率阈值，然后在此约束下最小化漏报率。漏洞检测评分（Vulnerability Detection Score, VD-S）正是为这一场景设计的评估指标，它显式考虑了不同误报率上限下的检测效果。实验数据表明，当允许的误报率从百分之一放宽到百分之五时，多数模型的漏报率可降低数个百分点，这一权衡在自动化代码审查场景中往往是值得的。
对于资源有限的开发团队，建议采用分层检测策略：首先使用小模型进行初筛，快速过滤掉明显安全的代码片段；然后对可疑样本调用大模型进行二次确认。这种组合方式能够在保持较低漏报率的同时，将大规模调用大模型的成本控制在可接受范围内。实际部署时，建议将误报率阈值设定在百分之三到百分之五之间，并持续监控告警的处理效率，根据团队响应能力动态调整。
工程落地的监控与调优要点
将漏洞检测模型投入生产使用后，持续监控是维持检测质量的关键。核心监控指标应包括：每日新增告警中的误报比例、已知漏洞模式被漏检的频次、以及模型响应时间。建议建立漏报案例的回溯机制，定期将漏检的真实漏洞加入训练数据，形成模型能力的持续迭代。
对于选择微调小模型的团队，数据质量的重要性远超数据规模。使用经过人工复核的高质量标注样本，即使数据量较小，也能训练出误报率和漏报率均可控的检测模型。相反，盲目扩大训练数据量而忽视标签准确性，往往导致模型学到错误的模式，在实际部署时表现出更高的误报率。实践中，推荐使用 SVEN 等经过严格清洗的数据集作为微调基础，并根据目标代码库的特性进行针对性增强。
资料来源
本文核心数据来自 PRIMEVUL 系列基准测试以及多项关于小模型漏洞检测的实证研究，具体可查阅 arXiv 相关论文。