# CyberGym

自动生成的安全补丁即使消除了崩溃、通过了现有测试，也可能悄悄改掉程序原有功能。DeepDiff 把原始漏洞程序当作行为参照，在不会触发崩溃的输入上比较补丁前后的可观察行为，把差异输入作为具体证据。在来自 CyberGym 的 385 个候选补丁上，这种回归自由性检查把功能偏离补丁的召回率从非差分执行的 6% 提高到 64%，代价是 18% 的开发者补丁被标记为偏离。

自动生成的安全补丁即使消除了崩溃、通过了现有测试，也可能悄悄改掉程序原有功能。DeepDiff 把原始漏洞程序当作行为参照，在不会触发崩溃的输入上比较补丁前后的可观察行为，把差异输入作为具体证据。在来自 CyberGym 的 385 个候选补丁上，这种回归自由性检查把功能偏离补丁的召回率从非差分执行的 6% 提高到 64%，代价是 18% 的开发者补丁被标记为偏离。

该工作对 200 条 CyberGym 执行轨迹做多轴开放编码，发现代码定位与理解（43.1%）加漏洞推理与触发设计（17.3%）占 60.4% 的 token，且仅 24.4% 的配对比较能在更低总成本下保持成功；据此提出以持久双向证据追踪（BET）为核心的 AVRI 接口，在 20 个任务上使 Codex 总成本降低 18.0%、OpenCode 降低 23.7%，同时保持成功率并提升或维持召回率。

该工作对 200 条 CyberGym 执行轨迹做多轴开放编码，发现代码定位与理解（43.1%）加漏洞推理与触发设计（17.3%）占 60.4% 的 token，且仅 24.4% 的配对比较能在更低总成本下保持成功；据此提出以持久双向证据追踪（BET）为核心的 AVRI 接口，在 20 个任务上使 Codex 总成本降低 18.0%、OpenCode 降低 23.7%，同时保持成功率并提升或维持召回率。