O framework SecGent recupera, em tempo de inferência, registros textuais relevantes do catálogo CWE (Common Weakness Enumeration) e os usa para orientar a geração segura de código por LLMs, combinando isso com testes funcionais e de segurança que guiam reparos automáticos. Testado em cinco linguagens com o benchmark CWEval, o sistema elevou o sucesso conjunto funcional-e-seguro em até 15,5% sobre RAG tradicional, chegando a 92,1% com o Claude Sonnet 5.5.
O CAT-RAG propõe substituir a recuperação granular por CWE individual, usada em sistemas atuais de geração de código seguro assistida por RAG, por categorias de segurança mais amplas e específicas por linguagem, selecionadas dinamicamente por um agente categorizador baseado em LLM. A abordagem funciona como camada independente ou complemento plugável a pipelines de RAG existentes, sem modificar o modelo subjacente, e quase dobra a melhoria de geração de código seguro no benchmark CyberSecEval (23,57% contra 12,11% do estado da arte anterior) enquanto reduz o overhead de tokens em 41,71%.
Pesquisadores criaram o SECRTL-GEN, benchmark com 392 tarefas de geracao de codigo de hardware (RTL) em Verilog, SystemVerilog, VHDL e Python que testa correcao funcional e seguranca separadamente. Modelos de fronteira passam em 73% a 79% dos testes funcionais mas apenas 14% a 35% dos testes de seguranca, e modelos funcionalmente melhores nao sao necessariamente mais seguros -- um framework auxiliar, o RTL-Obliger, eleva a taxa combinada de aprovacao para 61,6% inferindo obrigacoes de seguranca implicitas a partir da propria especificacao.