Newest papers

Secure Agentic Coding through Counterexample-Grounded Feedback

Tue Le, Anh Nguyen Hoang, Gabriel Sasseville, Doseok Jang, Pierre‐Luc Bacon, Nghi D. Q. Bui · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.25916 · cited by 0 works (OpenAlex) · open-access PDF

Russian

По мере того как модели кодирования и арсеналы агентов становятся более способными, надежная проверка безопасности становится центральным барьером. Улучшение генерации безопасного кода требует сигнала, о прогрессе которого сообщается, оставаясь в соответствии с действительным поведением программы при оптимизации; в противном случае оптимизатор может улучшить вердикт сигнала без устранения основной уязвимости. Существующие подходы, основанные на моделях, требуют от моделей либо выводить поведение программы из исходного кода при тестировании, либо указывать правильные результаты для противоборствующих тестов, ставя существенные обоснованные требования к сигналу безопасности. Мы вводим \falcon{}, контрэкземплярную структуру проверки, которая отделяет атаку от поведенческой проверки и соединяет их

Machine translation (Meta M2M100); the English original follows.

Abstract

As coding models and agent harnesses become more capable, reliable security verification is becoming a central bottleneck. Improving secure code generation requires a signal whose reported progress remains aligned with actual program behavior under optimization; otherwise, an optimizer can improve the signal's verdict without removing the underlying vulnerability. Existing model-based approaches require models to either infer program behavior from source code or specify correct outcomes for adversarial tests, placing substantial reasoning demands on the security signal. We introduce \falcon{}, a counterexample-grounded verification framework that separates attack exploration from behavioral verification and connects them through execution traces of the program under test. In test-time repair, \falcon{} yields substantially stronger held-out functional-security gains than alternative security signals across secure code generation benchmarks, while preserving or improving functionality. As an RL reward, \falcon{} also outperforms static-analysis and learned rewards on held-out functional-security, even when all policies successfully optimize their respective training rewards. Combining \falcon{} with either proxy reward further improves held-out performance, suggesting that execution-grounded feedback can mitigate reward overoptimization while preserving useful guidance from existing security signals.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Computer science, Adversarial system, Coding (social sciences), Source code, Code (set theory), Computer security

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange