路由上限与域无关：代码安全漏洞检测中的结构优先注入

大语言模型 (LLM) 在潜在能力和一致激活之间表现出有据可查的差距：路由器假设认为模型拥有解决任务的知识，但缺乏可靠的内部路由来激活它。正式数学推理方面的先前工作（SAIR，Cázares 2026）报告说，结构先验（备忘单）极大地提高了分布内性能，但崩溃到零样本基线分布外（OOD）以下 - 并且迭代重新校准放大而不是纠正崩溃。我们通过在源代码安全漏洞检测中重现 SAIR 设计，评估跨三个漏洞类别（CWE-798、CWE-284 和非 CWE N+1 反模式）的三个 LLM（GPT-OSS-120B、Llama-3.3-70B、Gemma-4-31B）跨越语法、上下文和语义复杂性，然后转移来测试这种现象是否跨域。备忘单增强提示来自 VUDENC（CWE-89、CWE-22）的真实 CVE 数据。我们的研究结果复制并扩展了 SAIR：(F1) 结构先验将所有模型的语义漏洞召回率从 20.0% 提升至 100.0%； (F2) 零样本性能沿着语义复杂度梯度下降； (F3) 使合成性能饱和的相同备忘单放大了真实 CVE 数据上的分布偏移崩溃（CWE-89：100% 合成 F1 到 VUDENC 上的 48.9%，-51.1pp）； (F5) 迭代重新校准生成 v2 备忘单，其在实际数据上的性能比 v1 差，反映了 SAIR 的 AN45c-vs-AN38 发现。这些结果提供了证据，证明 SAIR 中记录的跨分布权衡表面可推广到代码安全性，并且路由器假设是跨域的。我们认为，崩溃的结构性质促使分布感知训练胜过及时校准。代码和评估脚本：https://github.com/bytepro-ai/bitcoder-v2-research