AI软件治理与安全编码培训平台Secure Code Warrior发布了“SCW AI信任指数”第二批研究成果。该指数作为动态基准,旨在衡量主流AI模型生成存在安全漏洞代码的频率。研究覆盖来自OpenAI、Anthropic、Google、阿里巴巴、Mistral等公司的30多个模型,结果显示:过去12个月内,AI模型安全性有所提升;在提供精心策划的安全规则时,生成的易受攻击代码显著减少;部分基础模型的实测风险甚至低于旗舰模型。

Secure Code Warrior更新了测试方法论,引入“Harness”环境以更贴近实际开发场景,重点考察安全指令和提示词对模型性能的影响。新方法论还纳入AI生成代码的功能完整性数据,从而更全面地评估不同模型在软件开发任务中的风险与效率。研究期间,该公司利用AI构建了超过1.5万个应用程序,涉及11种编程语言,代码总量达4130万行。

AI代码占比激增,安全风险差异显著

随着大语言模型深入开发流程,AI生成代码占比持续攀升。Sonar《2026年代码开发生态状态调查》显示,预计到2027年,AI将贡献65%的提交代码。然而,新模型迭代迅速,排名波动频繁。SCW AI信任指数数据显示, tested AI models产生的漏洞数量介于每千行代码0.24至3.66个之间,最佳与最差模型的表现差异高达15倍。相比之下,斯坦福大学独立研究指出,纯人工编写代码的漏洞率仅为每千行约0.08个。

为帮助安全领导者清晰掌握团队继承的风险及其随模型和框架变化的趋势,SCW AI信任指数提供实证测量视角,并随新模型发布同步更新。最新研究强调,AI编码栈的治理是确保安全的关键,主要发现如下:

  • 精心策划的规则可将风险降低高达70%:默认设定仅为起点,提示词质量直接决定AI生成代码的最终安全性。模糊指令效果有限,而结构化规则集能显著抑制漏洞产生。
  • 无全能模型,头部表现分散:在基线测试的11个框架中,共有15个不同模型至少在一个框架中位列第一或并列第一。其中,GPT-6-Astra-High表现最为稳定,共4次领先或并列第一。
  • 规则集对高性能模型增益更明显:在风险较低的一半模型中,应用SCW规则及第三方规则平均使风险降低54.15%;而在风险较高的一半模型中,平均降幅为34.05%。
  • 基础模型安全性可超越旗舰模型:部分基础模型在无规则辅助下的实测风险低于高端模型。例如,GPT 6 Luna单次运行平均风险为19.4,成本0.10美元;而Claude Opus 5.5平均风险高达43.6,成本为8.17美元(均指仅使用模型本身,未附加规则)。

Secure Code Warrior联合创始人兼首席执行官Pieter Danhieux指出:“人们常误以为新模型或前沿模型必然更安全,但研究证明事实并非如此。当前模型虽具备安全编码知识,但默认状态下并不会主动执行。输出安全性取决于所处环境、提示词及规则设定,且随每次版本发布而变化。一次性基准测试已无法适应这一节奏,因此SCW AI信任指数随模型演进同步更新。安全领导者与开发者需基于当前证据获取风险视图,并通过团队使用的语言和框架进行验证。”

在AI代码生成成为常态的背景下,开发与IT团队面临快速推向市场的压力,同时需确保对依赖模型的完全可见性。SCW AI信任指数协助开发人员对模型行为进行基准测试,识别风险引入点,优化模型能力利用,从而从源头生成更安全的代码。