論文の概要: SecureVibe: Making Vibe Coding More Secure

• arxiv url: http://arxiv.org/abs/2609.38606v1
• Date: Tue, 29 Sep 2026 22:10:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.795008
• Title: SecureVibe: Making Vibe Coding More Secure
• Title（参考訳）: SecureVibe: Vibeのコーディングをよりセキュアにする
• Abstract要約: SECUREVIBEは、コードセキュリティのための計画とテストを明確にターゲットとするトレーニングレシピである。 4つのセキュリティタスクとポストトレーニングメソッドを備えたセキュリティスイートの教師付き微調整が含まれている。 4つのベンチマークで2種類のセキュリティコーディングタスクのベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 61.91825980991689
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As vibe coding becomes increasingly capable and widespread, security vulnerabilities in even functionally correct solutions are a growing concern. When investigating functionally correct but insecure solutions, we find that the insecure agent is less than half as likely to conduct effective planning and testing for the hidden security risks behind the functional requirements. Motivated by this, we develop SECUREVIBE, a training recipe that explicitly targets planning and testing for code security. SECUREVIBE constructs training signals around these security behaviors. It includes supervised fine-tuning on the security suite with 4 security tasks, and post-training methods, SECUREVIBE_rl and SECUREVIBE_hg, to enhance security capabilities from verifiable execution feedback and hint-based self-supervision. Our SECUREVIBE outperforms the baseline on two types of security coding tasks across 4 benchmarks. Specifically, SECUREVIBE improves the security pass@1 by 6.9 points on BaxBench. The gains extend to unseen CWE categories, with improvements of 11.5 points on SusVibes. Meanwhile, it also improves functionality pass@1 by 13.6 points on the security coding task SusVibes and 4.1 points on the generic coding task SWE-bench Verified. Further analysis offers two practical insights: (i) diversifying supervision across security planning, coding, and testing strengthens security behaviors more effectively than adding coding trajectories alone, and (ii) hint-guided supervision is particularly valuable when the agent's existing security capabilities are insufficient to learn effectively from outcome feedback.
• Abstract（参考訳）: ビブコーディングがますます有能で広まり、機能的に正しいソリューションのセキュリティ脆弱性が懸念される。 機能的正確だが安全性の低いソリューションを調査すると,機能的要件の背後にある隠れたセキュリティリスクに対して,安全性の低いエージェントが効果的な計画とテストを行う可能性が半分以下であることが判明した。 そこで我々は,コードセキュリティの計画とテストを対象とするトレーニングレシピであるSECUREVIBEを開発した。 SECUREVIBEは、これらのセキュリティ行動に関するトレーニング信号を構築する。 4つのセキュリティタスクを備えたセキュリティスイートの教師付き微調整と、ポストトレーニングメソッド、SECUREVIBE_rlとSECUREVIBE_hgが含まれ、検証可能な実行フィードバックとヒントベースのセルフスーパービジョンからセキュリティ機能を強化する。 当社のSECUREVIBEは、4つのベンチマークで2種類のセキュリティコーディングタスクのベースラインを上回ります。 具体的には、SECUREVIBEはセキュリティパス@1をBaxBenchの6.9ポイント改善する。 収益は見当たらないCWEカテゴリーにまで伸び、SusVibesでは11.5ポイント向上した。 また、セキュリティコーディングタスクSusVibesのpass@1を13.6ポイント、一般的なコーディングタスクSWE-bench Verifiedの4.1ポイント改善している。 さらなる分析は2つの実践的な洞察を与える。 一 セキュリティ計画、コーディング、テストにまたがる監督の多様化は、コーディング軌跡を単独で追加することよりも、より効果的にセキュリティ行動を強化すること。 (II) エージェントの既存のセキュリティ能力が不十分な場合, 結果フィードバックから効果的に学習する上で, ヒント誘導型監視は特に有用である。

関連論文リスト

• SeClaw: Spec-Driven Security Task Synthesis for Evaluating Autonomous Agents [87.26967184869198]
  SeClawは、仕様駆動のセキュリティタスク合成と、自律エージェントの実行ベースのセキュリティ評価を組み合わせたフレームワークである。 ベンチマークは、リソース、ユーザタスク、環境、本質的なエージェントの振る舞いから生じるリスクをカバーしている。
  論文  参考訳（メタデータ） (2026-06-01T14:23:42Z)
• SecPI: Secure Code Generation with Reasoning Models via Security Reasoning Internalization [50.71047638695205]
  RLM(Reasoning Language Model)は、プログラミングにおいてますます使われている言語モデルである。 しかし、最先端のRLMでさえ、生成されたコードに重大なセキュリティ脆弱性を頻繁に導入する。 我々は、構造化されたセキュリティ推論を内部化するためのRTMを教える微調整パイプラインであるSecPIを提案する。
  論文  参考訳（メタデータ） (2026-04-04T04:29:11Z)
• From Detection to Prevention: Explaining Security-Critical Code to Avoid Vulnerabilities [2.490168997159702]
  この研究は、セキュリティクリティカルな機能を実装するコード領域を強調することによって、脆弱性を防止するための積極的な戦略を探求する。 コードレベルのソフトウェアメトリクスを使用してセキュリティクリティカルなメソッドを識別するIntelliJ IDEAプラグインのプロトタイプを提示する。
  論文  参考訳（メタデータ） (2026-01-31T13:16:01Z)
• SecureAgentBench: Benchmarking Secure Code Generation under Realistic Vulnerability Scenarios [17.276786247873613]
  SecureAgentBenchは、セキュアなコード生成において、コードエージェントの機能を厳格に評価するために設計された105のコーディングタスクのベンチマークである。 その結果、(i)現在のエージェントがセキュアなコードを生成するのに苦労していることが示され、最高のパフォーマンスのエージェントであるDeepSeek-V3.1がサポートしているSWE-agentも15.2%の正安のソリューションしか達成していない。
  論文  参考訳（メタデータ） (2025-09-26T09:18:57Z)
• When Developer Aid Becomes Security Debt: A Systematic Analysis of Insecure Behaviors in LLM Coding Agents [1.7587442088965226]
  LLMベースのコーディングエージェントは、急速にソフトウェア開発にデプロイされているが、その安全性への影響はよく分かっていない。 我々は,5つの最先端モデルにわたる12,000以上のアクションを解析し,自律型符号化エージェントの最初の系統的安全性評価を行った。 我々は,4つの主要な脆弱性を識別する高精度検出システムを開発した。
  論文  参考訳（メタデータ） (2025-07-12T16:11:07Z)
• HoliSafe: Holistic Safety Benchmarking and Modeling for Vision-Language Model [58.12612140992874]
  我々は、安全で安全でない5つの画像テキストの組み合わせにまたがる、全体的な安全データセットとベンチマークである textbfHoliSafeを紹介した。 また,入力画像の有害性を評価するために,視覚ガードモジュール(VGM)を用いて,VLMの安全性を高めるための新しいモジュラーフレームワークを提案する。 実験により、HoliSafeでトレーニングされたVGMを使用したSafe-VLMは、複数のVLMベンチマークで最先端の安全性能を実現していることがわかった。
  論文  参考訳（メタデータ） (2025-06-05T07:26:34Z)
• SafeKey: Amplifying Aha-Moment Insights for Safety Reasoning [76.56522719330911]
  大規模推論モデル(LRM)は、応答する前に明示的に推論する新しい世代パラダイムを導入する。 LRMは有害なクエリや敵の攻撃に対して大きな安全リスクをもたらす。 キー文中の安全アハモーメントをより活性化するSafeKeyを提案する。
  論文  参考訳（メタデータ） (2025-05-22T03:46:03Z)
• A Taxonomy of Functional Security Features and How They Can Be Located [12.003504134747951]
  本稿では,一般的なセキュリティフレームワークにおける文献のセキュリティ機能とそのカバレッジについて述べる。 我々は,広く使用されているセキュリティ標準へのマッピングを含む,68の機能的実装レベルのセキュリティ特徴の分類に貢献する。
  論文  参考訳（メタデータ） (2025-01-08T12:17:30Z)
• Do Software Security Practices Yield Fewer Vulnerabilities? [6.6840472845873276]
  本研究の目的は、専門家や研究者がどのセキュリティプラクティスを採用するべきかを判断するのを支援することである。 4つのセキュリティプラクティスが、脆弱性数に影響を与える最も重要なプラクティスでした。 パッケージの総セキュリティスコアが増加するにつれて、報告された脆弱性の数は減少した。
  論文  参考訳（メタデータ） (2022-10-20T20:04:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。