资讯摘要
论文提出让攻击者与防御者种群协同进化，并以真实执行结果决定奖励。作者报告，PRPO 将双方建模为同一冻结基座上的 LoRA 适配器种群，按同角色同伴做相对信用分配。其 7B 差异审查器在四个未见应用上达到 64.8% 平衡准确率，9B 仓库智能体在 172 条留出公告中复现 23 条。
要点速读
- 攻击者需在隔离容器中完成补丁应用、构建、测试与真实漏洞利用复现，才获得奖励。
- PRPO 把种群置于策略梯度基线而非对手池，并用锦标赛保持多样性。
- 作者报告 7B 审查器在三个未训练语言、四个未见应用上达 64.8% 平衡准确率，高于监督安全微调 5.5 点。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/20 21:06:31（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。