## 四模型安全审计实录：漏洞扫描、修复与验证闭环

实验背景

在 KULAAI（dl.kulaai.cn） 上接入四个模型之后，前几轮横评和协同实验已经把代码生成、终端操作、Bug 排查摸透了。但安全审计这件事一直没单独测——不是测模型能不能发现漏洞，是测能不能走完“发现→定位→修复→验证”的完整闭环。

单模型做安全审计有个天然缺陷：每个模型的安全知识盲区不同。A 模型擅长 SQL 注入检测但疏于权限校验，B 模型对 XSS 敏感但对加密策略不熟。团队设计了一组多模型协同审计实验，目标是看四个模型的审计视角互补之后，能不能把漏洞检出率和修复正确率拉到单模型达不到的水平。

---

实验设计

实验条件	说明
测试样本	12 个真实项目漏洞，来自开源项目安全公告和内部渗透测试
漏洞类型	SQL 注入、XSS、权限绕过、敏感信息泄露、SSRF、不安全的反序列化
审计环境	统一 Docker 容器，提供完整代码库和架构文档
评测标准	漏洞检出率、误报率、修复正确率、验证是否通过
时间限制	单项目最长 45 分钟

四个模型的审计分工：

模型	审计角色	分工依据
GPT-5.5	主扫描 + 修复	代码理解深度最高，修复方案可用率 95%+
Claude 4.8	安全边界审查	安全审计意识四家最强，能发现隐式权限漏洞
Gemini 3.5	代码风格异常检测	风格不一致处往往是漏洞藏身点
Grok 4.3	配置与环境安全审查	终端视角能发现配置层和部署层的安全隐患

---

单模型基线

先让四个模型各自独立审计全部 12 个漏洞，建立基线。

模型	检出率	误报数	修复正确率	验证通过率
GPT-5.5	10 / 12	1	9 / 10	9 / 10
Claude 4.8	9 / 12	0	8 / 9	7 / 9
Grok 4.3	7 / 12	3	5 / 7	4 / 7
Gemini 3.5	6 / 12	2	4 / 6	3 / 6

GPT-5.5 检出率最高，10 个漏洞全部修复正确。漏掉的两个一个是配置文件里的密钥硬编码，一个是中间件链里的权限绕过。Claude 4.8 零误报，漏掉的三个漏洞集中在加密策略和并发安全上。Grok 4.3 在配置类漏洞上检出率不错，但代码层漏洞漏了一半。Gemini 3.5 的修复正确率偏低，部分修复方案引入了新问题。

---

协同审计流程

协同方案按漏洞类型分配协作模式：

协作模式	适用漏洞	流程
主扫+复审	SQL 注入、XSS	GPT-5.5 主扫 → Claude 4.8 复审修复方案
双线并行	权限绕过、SSRF	GPT-5.5 查代码层 → Grok 4.3 查配置层
三线交叉	敏感信息泄露	GPT-5.5 + Claude 4.8 + Gemini 3.5 各自独立扫描，交叉验证

---

协同审计结果

指标	GPT-5.5 单模型	四模型协同
漏洞检出率	10 / 12	12 / 12
误报数	1	0
修复正确率	9 / 10	11 / 12
验证通过率	9 / 10	11 / 12
平均耗时	12 分钟	18 分钟

协同方案检出率 100%，误报率归零。GPT-5.5 漏掉的两个漏洞被 Grok 4.3 和 Claude 4.8 分别补上了。多花的 6 分钟消耗在交叉验证和修复方案评审上，对安全审计场景完全值得。

唯一一个修复后验证失败的漏洞是反序列化问题——GPT-5.5 的修复方案逻辑正确，但在 Grok 4.3 的验证测试里发现了一个遗漏的调用点。这个漏洞最终由 Claude 4.8 重新审查调用链后修复成功。

---

典型案例还原

案例：中间件权限绕过漏洞

漏洞表现：系统日志里偶发出现非管理员用户调用管理接口的记录，但接口本身有权限校验。

GPT-5.5 扫描时没发现异常——权限校验代码写得很规范。Claude 4.8 复审时注意到日志中间件和认证中间件的执行顺序有问题：日志中间件在最外层，请求进来时先记日志再认证。异常日志其实是认证失败前的请求记录，但业务层收到请求时认证已通过。

Grok 4.3 查配置层时确认了中间件注册顺序和架构文档不一致。根因是部署时误改了中间件加载顺序。调整中间件顺序后问题消失。

这个漏洞 GPT-5.5 单独扫描时漏掉了，因为它检查的是业务代码里的权限校验逻辑，没有审计中间件链的执行顺序。Claude 4.8 的安全边界审查补上了这个缺口。

---

各模型安全审计特长总结

模型	最擅长的漏洞类型	审计风格
GPT-5.5	SQL 注入、XSS、代码层漏洞	深度代码理解，定位精准
Claude 4.8	权限绕过、认证缺陷	边界审查极细，零误报
Grok 4.3	配置泄露、环境漏洞	终端视角，发现部署层隐患
Gemini 3.5	代码异味隐含的漏洞	风格异常往往指向安全死角

---

协同审计的局限

四模型协同审计的 Token 消耗是 GPT-5.5 单独审计的 2.3 倍。时间多花 50%。对于低风险项目，单用 GPT-5.5 审计就够了。协同方案更适合高风险业务——金融、政务、涉及用户敏感数据的场景，全检出率和零误报带来的安全感值得这个额外成本。

另外，交叉验证环节需要一个有安全经验的人来做最终裁决。模型之间的结论出现分歧时，人的判断不能省。

---

总结

安全审计这件事，单模型视角有天然盲区。GPT-5.5 的盲区在架构层——中间件顺序、配置泄露、调用链权限，它查代码逻辑时不会主动去审这些。Claude 4.8 补上了架构层的视角，Grok 4.3 补上了部署层的视角，Gemini 3.5 补上了代码异味的视角。

四个视角交叉之后，盲区面积大幅缩小。协同审计的价值不在速度，在覆盖度。安全审计宁可慢一点，也别留死角。

---

实验基于 2026 年 6 月各模型最新版本，12 个漏洞样本来自真实开源项目和渗透测试，统一 Docker 环境，全部结果可复现。