🔬 AI 安全 · 论文速递
学新漏洞就忘旧漏洞：频率感知持续学习，破解审计大模型的"健忘症"
大语言模型做智能合约漏洞检测，最大的工程障碍不是识别能力，而是"健忘"——学会新漏洞类型，旧漏洞的检测能力就明显回退。近日一篇公开论文提出频率感知持续学习框架，用"经验回放 + 风险加权采样"同时保住新旧两类知识，给审计大模型装上可持续升级的能力。
来源：综合公开信息整理•
2026-07-29•
全文约 4 分钟读完
#大语言模型
#智能合约
#持续学习
#漏洞检测
#AI安全
💸 20亿+
链上智能合约攻击 · 年损失美元量级
40+
SWC 弱点目录收录的漏洞类型
2–4周
单份合约人工审计的交付周期
注：以上为行业公开讨论中的量级数据，用于理解问题规模；具体数字随年份与统计口径浮动。
📄 论文：Frequency-Aware Continual Learning for Smart Contract Vulnerability Detection with Large Language Models
发布平台：公开预印本平台 · 学术论文
⚡ 30 秒速览
- 论文干了什么：提出频率感知持续学习框架，让 LLM 在持续学习新漏洞类型时，通过经验回放保住旧知识。
- 解决什么痛点：灾难性遗忘——直接在新数据上微调，模型对新漏洞越熟，对旧漏洞的识别能力掉得越快。
- 核心机制：按"风险频率"而非样本数量分配记忆资源，罕见但致命的漏洞类型获得更高回放权重。
- 对行业意味着：安全审计模型从"一次训练、静态服役"走向"持续更新、越用越强"，这是 AI 安全智能体上生产线的前提。
- 诚实声明：公开预印本，未经同行评审；基准与真实链上的差距、未知漏洞的发现能力，仍需检验。
01审计大模型有个"健忘症"问题长期存在，论文首次给出系统性解法
智能合约锁定的链上资产以千亿美元计，而"代码即法律"意味着——一经部署，难以修改。漏洞不是缺陷，是直接的资金损失。过去几年，跨链桥、借贷协议、治理模块轮番出事，每年因智能合约被窃的资产都在 20 亿美元量级。
防御侧的窘境是：漏洞形态，比防御工具进化得快。
传统防线卡在三难里：静态分析速度快但误报率高，人工复核成本惊人；形式化验证精确但昂贵，只负担得起核心模块；人工审计可靠，但一份合约动辄数周、报价数万到数十万美元。市场等的是一个能规模化、还能持续进化的检测器。
20亿+链上被窃资产年损失（美元）
40+SWC 弱点目录收录类型
90%±静态分析误报率的行业常见引述
2–4周单份合约人工审计周期
注：以上为行业公开讨论中常见引述的量级数据，用于理解问题规模；非论文原测结果，具体以年度报告口径为准。
02解法是什么：增量更新 + 选择性记忆
大语言模型的代码理解能力，让审计行业看到了转折点——LLM 能读懂注释与业务意图，能跨文件追踪调用链，初筛能力远超传统规则。但转折点旁边，埋着一个被低估的问题。
模型会"忘"。
漏洞类型从来不是静态清单：新的攻击模式、新的协议标准、新的合约语言不断出现。让模型认识新漏洞，就必须更新它。而直接在新数据上微调，模型对已学漏洞的检测能力会明显回退——这就是灾难性遗忘。全量重训能保住旧知识，但成本高、周期长，还要面对审计数据敏感、无法随意流转的现实。而对安全场景来说，"旧漏洞随时复活"是常态，遗忘不可接受。
传统路线
遇到新漏洞类型，直接在新数据上微调，或全量重训。前者旧能力回退，后者成本不可控——审计数据涉密，重训还要过合规关。
论文方案
增量更新 + 经验回放 + 频率加权。新漏洞特征被吸收，旧漏洞知识被巩固，检测能力呈单向增长，而不是按下葫芦浮起瓢。
注：对比为方法论层面的归纳，用于定位论文在技术路线中的位置，非论文原文内容。
03为什么能做到：把记忆分给"少见但致命"的漏洞
持续学习本身不是新概念，方法库里有重放、正则化、参数隔离等成熟路线。这篇论文的关键词落在"频率感知"上——一个朴素却容易被忽视的原则：
样本多，不代表风险高。
新漏洞样本→风险频率加权→写入回放池→增量微调→新能力上线 · 旧知识巩固
直觉上，重入攻击的样本最多，模型对它最熟；但真正让安全团队夜不能寐的，往往是那些极少出现、一出现就归零的漏洞类型——预言机依赖、治理攻击、新型跨链模式。频率感知采样做的，就是把回放权重向这类漏洞倾斜，让它们在训练中不被主流样本淹没。
训练样本占比回放采样权重
注：上图为示意结构，只用于说明"按风险频率而非样本数量分配记忆资源"这一核心思想；具体权重配置与实验数据以论文原文为准。
新知识进来，旧知识不塌。
对审计场景来说，这个"不塌"的价值，比一次基准刷新更值得看重——它意味着模型可以在真实攻击事件发生后持续吸收教训，而不会以牺牲旧防线为代价。
04它能改变什么？从检测工具，到可持续服役的安全智能体
这套机制落到审计行业，能改变什么？
⏱️ 对新型攻击的响应速度小时级吸收
- 一个新攻击模式被披露后，持续学习模型可在小时级完成吸收并开始布防；全量重训通常以天到周计。
- 每一次安全事件都将变成模型的"教材"，而不是仅仅变成一笔损失。
前提是新样本及时进入回放池——响应速度最终取决于团队的数据运营节奏。
🧾 审计成本结构人力聚焦高风险
- 人工审计2–4 周、数万到数十万美元的单子，LLM 初筛把时间压到小时级，人工只复核高风险区域。
- 持续更新让初筛模型自身不断进化，而不是停留在发布当天的水平。
频率感知优化的是"记得住"，不是"认得准"——误报率仍是落地生死线。
🔒 私有化安全模型数据不出域
- 审计数据涉密、无法上传云端，是安全团队对 LLM 审计最普遍的顾虑。
- 增量更新天然适配私有化部署：在本地数据上持续微调，模型越用越懂自家代码库与历史漏洞模式。
本地持续训练对工程基建（数据管线、版本管理、回滚机制）提出了新要求。
05怎么判断：三个"不要高估"
这篇论文值得关注，但不必神话。频率感知解决的是一个真实且致命的工程问题，但它不是万能钥匙。
- 不要高估论文本身：公开预印本，未经同行评审，方法效果需要独立复现验证。
- 不要混淆"记住"与"发现"：频率感知解决的是已知类别的遗忘，不是未知漏洞的发现——后者依然依赖模型的推理能力与攻击经验。
- 不要忽略工程落差：公开基准与真实链上合约存在分布差异，落地效果要以内部评测为准。
编辑核心判断
LLM 的代码能力，正在从"写"转向"守"。
持续学习真正的价值，是让安全模型第一次拥有长期服役的资格——一个会退化的守卫，不值得托付资产。
但请记住：真正未知的漏洞，依然要等攻击者先演示一遍。
▶下一步
论文以公开预印本形式发布，检索标题即可获取全文。工程团队不必等官方实现——"经验回放 + 频率加权"的思路，完全可以在自己的私有审计数据上先行复现。
阅读路径 · 公开预印本平台 检索论文标题
适合读者：安全研究员 · 智能合约审计团队 · 区块链基础设施开发者