Newest papers

AgenticVulHunter: Bringing Local Agentic Vulnerability Hunting to Your Terminal

Nishant Abhishek, Ping Charoenwet, Kla Tantithamthavorn · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.27383 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Phát hiện các lỗ hổng của Agen sớm, trước khi chúng có thể ảnh hưởng đến hệ thống sản xuất, là quan trọng để giảm nguy cơ của bất kỳ cuộc tấn công phần mềm nào. Tuy nhiên, phát hiện các lỗ hổng trong quá trình xem xét mã bảo mật vẫn còn khó khăn vì logic mã dễ bị tổn thương có thể phụ thuộc vào các dòng được tìm thấy trên các tệp lưu trữ khác nhau. Các phương pháp tiếp cận gần đây như AgenticSCR đã chỉ ra rằng các đại lý LLM có thể khám phá các tệp lưu trữ mở được triển khai tại địa phương và sử dụng kiến thức bảo mật để cải thiện xem xét mã bảo mật. Tuy nhiên, các phương pháp tiếp cận này chủ yếu dựa trên các LLM thương mại bên ngoài và có thể cung cấp một lượng lớn kiến thức bảo mật cho đại lý cùng một lúc. Điều này tạo ra một câu hỏi quan trọng về việc liệu có

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

Abstract

Finding vulnerabilities early, before they can affect the production system, is important for reducing the risk of any software attacks. However, detecting vulnerabilities during secure code review is still difficult because the vulnerable code logic may depend on lines found across different repository files. Recent approaches such as AgenticSCR have shown that LLM agents can explore repository files and use security knowledge to improve secure code review. However, these approaches mainly rely on external commercial LLMs and can provide a large amount of security knowledge to the agent at once. This creates an important question of whether agentic secure code review can also be performed effectively using locally deployed open-weight LLMs with more focused and relevant security knowledge. In this paper, we propose AgenticVulHunter, an agentic secure code review approach and tool that can run with a locally deployed open-weight LLM. We evaluate AgenticVulHunter on 144 vulnerability cases from SCRBench using Qwen3-Coder-30B and DeepSeek V3.1 Terminus. We measure what percentage of generated review comments correctly identify the vulnerable location, match the vulnerability type, and provide a relevant security review comment together. AgenticVulHunter achieves an accuracy of 18.4% with Qwen3- Coder-30B and 23.8% with DeepSeek V3.1 Terminus, compared with 11.8% for our AgenticSCR-style reproduction using Qwen3-Coder-30B and 17.5% for AgenticSCR using Claude Sonnet 4.

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

Topics: Vulnerability (computing), Computer security, Computer science, Code (set theory), Internet privacy, Security through obscurity

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