同一个严重漏洞，别人拿3万你只拿1万：GitHub赏金腰斩背后的"信任市场"真相

2026年7月22日，GitHub宣布了一项引发安全社区广泛讨论的决定：将公开漏洞赏金计划中各个严重等级的奖励至少削减一半。其中，曾经可以获得2万至3万美元以上奖励的严重漏洞，在新规则下只能获得固定的1万美元。

与此同时，GitHub将把更高额的奖励集中到一个长期运行、仅限邀请的VIP计划中——同样是严重漏洞，进入VIP计划的研究员可以获得3万美元或更高的报酬，是公开计划的三倍。

这不是一次简单的"降价"，而是一场围绕"漏洞发现价值"的深刻重新定价。从GitHub的调整，到Google推出面向漏洞发现的专用AI模型，再到curl项目叫停现金奖励，一系列看似独立的事件背后，指向同一个核心问题：当生成式AI让"看起来像漏洞"的线索变得唾手可得，厂商真正愿意为之付费的，究竟是什么？

根据GitHub公布的新方案，从2026年7月27日起，公开漏洞赏金计划将告别过去的浮动区间，转向固定奖励模式。调整后的价格体系如下：

公开计划奖励标准（2026年7月27日起生效）

以原奖励区间的最低值计算，中危、高危和严重漏洞的公开奖励均缩水一半；低危漏洞的降幅更是接近六成。对于长期参与漏洞赏金计划的研究员而言，这无疑是一次显著的收入冲击。

但问题的另一面同样值得关注：VIP计划的奖励标准不仅没有下调，反而在某些等级上有所提升。

VIP计划奖励标准（仅限邀请）

同样是一个严重漏洞，公开计划的研究员只能获得1万美元的固定奖励，而VIP计划的研究员则可以拿到3万美元以上，差距整整三倍。这意味着GitHub并没有简单地认为"漏洞研究不值钱了"，相反，它正在把更多预算集中给那些已经建立信誉、能够稳定提交高质量成果的研究员。

这种价格分层传递出一个明确的信号：在AI工具广泛应用的时代，漏洞赏金体系的核心评价标准正在发生根本性转变——从"谁最快发现可疑代码"，转向"谁能提供经过验证的漏洞、明确的产品影响、可靠的利用方式，以及帮助厂商完成修复的高质量研究"。

正如GitHub在公告中所强调的："提交得更多，并不会让你赚得更多；提交得更好，才会。"

GitHub给出的官方理由是：减少噪声，让成熟研究员获得更快的响应、更高的奖励，以及与安全工程团队更紧密的联系。这一表述背后，折射的是生成式AI正在深刻改变漏洞报告的供给结构。

AI降低了"生产"漏洞线索的门槛

在AI工具普及之前，一名研究员想要完成一次漏洞提交，通常需要经历代码阅读、功能测试、漏洞猜测、环境搭建、复现验证、影响分析和报告撰写等一系列环节。即使最终报告未被采纳，这一过程仍然需要投入大量时间和精力。

而在AI辅助工具进入安全研究领域之后，产生一条"候选漏洞线索"的成本正在急剧下降。研究员可以让模型反复检查代码路径、分析异常处理逻辑、生成测试用例、解释可疑函数，甚至辅助构造概念验证代码。即使模型第一次没有找到真正的问题，也可以通过不断调整提示词、重复调用继续尝试。

这让更多人能够更快地产生更多线索。但问题在于，候选线索数量的激增，并不意味着真正有效漏洞的同比增加。

供需关系的失衡：报告生成成本下降，分诊成本依然高昂

AI模型可能误解代码上下文，忽略已有的安全防护机制，将理论风险描述为可实际利用的漏洞，或者生成表面合理、实际无法执行的攻击场景。而对于维护者和厂商而言，每一份报告都需要安排人员阅读、验证、分级和回复。

AI降低了报告生成成本，却没有同步降低厂商的分诊成本。于是，一个新的矛盾开始凸显：提交者可以近乎无限地生成候选报告，而维护者的验证时间仍然有限。

GitHub此次调整的核心逻辑，正是试图通过降低普通报告的经济激励、提高提交质量要求、强化研究员信誉筛选等手段，限制低质量报告大量涌入分诺队列，将有限的分诊资源优先分配给真正有价值的安全研究。

在新的规则体系中，研究员若想进入VIP计划，需要至少满足以下条件之一：

• 提交一项严重漏洞；

• 提交两项高危漏洞；

• 提交四项中危漏洞；

• 提交七项低危漏洞。

不过，GitHub在公告中并未说明这些成果必须在多长时间内完成，也没有承诺达到条件后就一定能够获得邀请。更完整的标准将在GitHub公开的HackerOne计划页面中披露。此外，GitHub还将对研究员的HackerOne Signal信誉指标设置要求，但截至原文发布时，具体阈值尚未公开。

对于尚未建立历史信誉的新研究员而言，规则变得更加严苛：他们最多只能获得四次初始提交机会。再结合HackerOne的一般规则——新研究员在滚动30天周期内，针对每个项目只能提交四份试用报告——这意味着每一次提交都变得无比珍贵。

如果前几次提交存在误判、范围理解错误、影响证明不足或者报告质量不佳，研究员很可能在尚未充分了解GitHub安全模型之前，就已经耗尽有限的试错机会。

效率与开放性的权衡

从平台治理的角度看，这种机制无疑有助于减少自动化垃圾报告，将分诊资源优先分配给历史表现更加稳定的研究员。但从公共漏洞赏金计划的开放性角度看，它也带来了新的问题。

公开漏洞赏金计划的一项重要价值，在于让不同背景、不同地区、不同思路的研究者都有机会检查平台。一个没有HackerOne历史记录的新人，也可能因为独特的视角发现长期被忽略的深层问题。然而，当更高奖励、更快响应和更深入的工程沟通都集中于受邀群体之后，GitHub与研究社区的密切关系可能逐渐收敛在一批已经在该计划中取得成功的人身上。

这可能提高报告质量和修复效率，但也可能缩小参与安全研究的人群范围，降低平台发现"黑马"研究员的概率。因此，GitHub的调整并不是一个没有代价的选择——它是在"开放性"和"可管理性"之间，明显向后者倾斜。

就在GitHub宣布调整漏洞赏金规则的前一天，Google发布了Gemini 3.5 Flash Cyber——一款经过专门微调、用于发现、验证和修复软件漏洞的轻量级模型。根据Google的介绍，这款模型初期将仅通过代码安全智能体CodeMender，向政府机构和可信合作伙伴提供有限试点。

Google对这款模型的定位非常明确：与其在每一次扫描中使用成本更高的大型前沿模型，不如调用一个更加轻量、可以频繁运行的专用安全模型，让它重复检查更多代码路径。这类模型的适用场景包括：

• 对代码仓库进行高频扫描；

• 在产品发布前完成时间敏感的安全审查；

• 对每次重要代码提交进行自动安全检查；

• 重复验证潜在漏洞；

• 辅助生成修复建议。

令人瞩目的测试成绩

Google公布的测试结果颇为引人注目：Gemini 3.5 Flash Cyber在V8引擎代码中发现了55个经过确认的独立问题；相比之下，标准版Gemini 3.5 Flash发现了47个，Claude Opus 4.6发现了36个。

Google还表示,其云漏洞研究团队曾使用该模型,在短短两个小时内发现了公开API中的远程代码执行漏洞,以及某个敏感生产服务中的内存破坏问题。根据Google的描述,该模型随后还生成了一个可靠性达到100%的远程代码执行利用程序,并成功绕过了ASLR和W^X等现代安全防护机制。

需要特别指出的是,这些测试数字和生产环境利用结果均由Google自行披露,尚未得到独立第三方的验证。在AI安全工具快速发展的阶段,厂商公布的基准成绩可以反映技术方向,但不能被直接等同于普遍适用于所有项目、所有代码库和所有真实环境的能力。

内部团队的天然优势

即便如此,Google所展示的路径仍然值得深度关注。因为内部安全团队天然拥有外部研究员难以获得的关键资源：

• 完整的代码仓库访问权限；

• 项目特定的威胁模型；

• 产品设计的原始意图；

• 内部测试环境；

• 真实的运行架构；

• 历史漏洞和修复记录；

• 与发布流程、代码提交系统和持续集成平台的直接连接。

当AI智能体获得这些丰富的上下文信息后,它不仅可以发现可疑代码,还能够在更接近真实系统的环境中完成验证,并根据项目意图和周边行为提出更加合理的补丁方案。

正如原文所提到的,OpenAI Codex Security一类系统可以测试发现结果、生成可运行的概念验证,并提出充分考虑系统整体意图的修复方案。这类工作不必等待季度性的渗透测试,也不必依赖外部研究员的偶然发现。它可以发生在开发阶段,并在每一次重要代码提交后持续执行。

AI并没有完全取代传统的渗透测试,但源代码审计、测试用例生成和初步验证,正在变得越来越容易实现自动化。这意味着,在漏洞被外部研究员发现之前,内部团队已经有了更多机会先行发现和修复问题。

GitHub并不是第一个因为AI报告问题而调整漏洞奖励机制的项目。2026年1月底,知名开源项目curl的维护者Daniel Stenberg宣布终止该项目的现金漏洞赏金计划。

原因很直接：随着AI生成的垃圾报告激增,curl收到的报告中,最终能够被确认为真实漏洞的比例已经下降到5%以下。这意味着维护者需要阅读和验证大量内容,但绝大多数报告并不能转化为有效的安全修复。

对于开源项目而言,这种压力尤其明显。商业公司尚且可以配置专门的安全工程和漏洞响应团队,而许多开源项目主要依赖少数核心维护者的业余时间。每一份低质量报告都会占用本可用于开发、修复和发布的宝贵精力。

意外的转机

然而,故事的发展出现了有趣的转折。curl取消现金奖励并重新回到HackerOne平台后,情况并没有朝着"报告减少"的方向发展。截至2026年4月,curl收到报告的速度约为2025年的两倍,而其中约15%至16%最终被确认属于真实漏洞——这一比例是取消现金奖励前的三倍以上。

更令人惊讶的是,Stenberg表示,几乎每一份报告看起来都使用了AI辅助,但其中大部分已经具有相当高的质量。

关键不在工具,而在责任

这个案例清晰地说明:问题并不在于研究员是否使用AI,也不在于报告是否由AI辅助生成。真正决定报告价值的,是研究员有没有对AI输出进行充分验证。

当现金奖励减少、平台规则更加清晰、无效提交的收益下降后,那些只依赖AI批量生成文本、没有完成实际复现和验证的人,继续提交的动力自然随之下降。而真正具备能力的研究员,则可以继续利用AI提高代码阅读、测试构造和报告编写的效率,同时用自己的专业判断保证输出质量。

换言之,AI既可以放大噪声,也可以放大能力。决定最终结果的,不是工具本身,而是使用工具的人是否愿意对结果负责。

将GitHub的提交控制、Google的重复模型调用能力和curl的报告质量变化放在一起观察,可以看到一个越来越清晰的趋势：

看起来可信的候选漏洞,正在变得越来越丰富；真正完成验证、影响证明和产品化分析的漏洞,仍然极度稀缺。

AI能够帮助研究员更快发现可疑函数、更广泛地覆盖代码路径,也能够帮助内部安全团队重复检查更多代码。但以下能力仍然很难被低成本复制：

1. 可靠的漏洞复现

模型指出某段代码"可能存在风险",与研究员在真实或高度接近真实的环境中稳定复现问题,是两件完全不同的事情。可靠复现需要深入理解构建环境、运行条件、权限关系、配置差异和数据流向。

2. 可工作的利用证明

一份能够实际运行的概念验证(PoC),不仅证明问题确实存在,也可以帮助厂商准确判断攻击复杂度、影响范围和修复优先级。GitHub在2026年5月已经调整政策,明确要求研究员提供可工作的概念验证、展示实际安全影响,并在提交前完成必要的验证工作。

3. 产品特定的攻击链

真正高价值的漏洞往往不是一个孤立的代码错误,而是能够结合产品架构、身份体系、信任边界和默认配置,形成现实攻击路径的系统性问题。这需要研究员对整个产品生态有深刻理解。

4. 业务逻辑缺陷

AI擅长寻找代码模式和异常路径,却未必能够充分理解某项业务行为为什么违反产品设计、安全承诺或者用户预期。在权限继承、审批流程、计费逻辑、租户隔离和身份恢复等场景中,人的业务理解仍然不可或缺。

5. 跨边界组合利用

单个低危问题可能并不严重,但如果能够跨越多个信任边界,与其他弱点巧妙组合,就可能形成高危甚至严重级别的安全影响。这类漏洞链需要研究员理解多个系统之间的复杂交互关系,而不仅是分析单个函数的逻辑缺陷。

6. 清晰的修复价值

优秀的漏洞报告不仅要说明"哪里坏了",还应帮助厂商回答一系列关键问题：

• 哪些用户可能受到影响？

• 攻击者需要什么前提条件？

• 现有防护机制为何无效？

• 如何验证修复的有效性？

• 是否存在相似的代码路径？

• 修复是否会引入兼容性问题？

这正是公开计划和VIP计划之间形成巨大价格差异的根本原因。GitHub正在为"发现问题"支付更低的价格,为"证明问题、理解产品并帮助完成修复"支付更高的溢价。

GitHub明确表示,它欢迎研究员使用AI辅助安全研究,GitHub自身也在内部安全项目中广泛使用AI工具。但研究员仍然需要对工具产生的结果负责。正如GitHub所强调的：工具并不重要,工作质量才重要。

在新的漏洞赏金环境中,研究员可以从以下几个方面切实提高报告质量：

最佳实践一：先验证,再提交

不要因为模型给出了完整的漏洞描述、攻击步骤和风险评级,就直接提交报告。至少应确认：

• 问题能够在当前版本中稳定复现；

• 目标资产确实处于项目范围内；

• 攻击前提条件符合现实场景；

• 现有安全控制没有阻止利用；

• 观察到的行为不是预期功能；

• 不属于已知或重复的问题；

• 不属于明确排除的漏洞类型。

AI生成的内容越完整、越流畅,研究员越需要警惕"形式上的可信感"。一份语言优美、结构清晰的报告,仍然可能建立在错误的假设之上。

最佳实践二：提供最小、稳定的概念验证

概念验证不必追求复杂炫技,而应能够稳定展示安全影响。优秀的PoC应当：

• 步骤尽可能精简；

• 依赖条件表述清楚；

• 输入和输出可以重复；

• 不包含无关代码；

• 不对生产系统造成额外破坏；

• 能够帮助厂商快速确认问题。

最佳实践三：描述产品影响,而不是只描述代码缺陷

"这里可能发生空指针异常"与"未经认证的远程攻击者可以借此导致生产服务崩溃"之间,存在巨大的价值差距。研究员需要清楚说明代码问题如何转化为安全后果,以及这个后果对用户、数据和系统意味着什么。

最佳实践四：深入理解项目范围和安全模型

对于GitHub这样架构复杂的平台,研究员必须理解身份体系、仓库权限、组织结构、企业账号、自动化工作流和第三方集成之间的边界关系。在提交机会受限的情况下,对项目规则不熟悉会产生更高的试错成本。

最佳实践五：记录AI参与的每一个关键判断

研究员可以使用AI生成测试代码、辅助阅读复杂函数和构造利用脚本,但关键结论应当由人工验证。建议完整保留：

• 使用的模型和工具名称；

• 关键提示词内容；

• 模型提出的核心假设；

• 人工验证的具体过程；

• 失败的测试路径；最终确认的依据。

这不仅有助于提升研究质量,也能避免研究员在模型输出发生变化后无法解释自己的结论,陷入被动局面。

截至2026年7月22日,《The Hacker News》检查发现,GitHub的奖励页面仍然显示严重漏洞奖励为2万至3万美元以上；其FAQ页面也仍然保留旧版VIP资格条件,即研究员需要在此前两年内获得至少2万美元奖励并提交两份报告。页面信息尚未完全同步,说明GitHub的漏洞赏金体系仍处于规则切换阶段。

但新的价格表已经清楚地表达了其战略方向：

• 公开严重漏洞：1万美元

• VIP严重漏洞：3万美元以上

同一严重等级的漏洞,因为研究员身份、合作历史、报告质量和项目上下文的不同,获得的价格可能存在高达三倍的差距。

这意味着漏洞赏金正在从一个相对简单的"按严重程度支付"体系,转变为同时评估技术成果与研究员信誉的信任市场。

漏洞的严重程度仍然重要,但它不再是唯一变量。平台开始更加关心：

• 研究员过去是否提交过有效报告？

• 是否真正理解产品安全模型？

• 是否能够稳定复现问题？

• 是否能够与工程团队高效沟通？

• 是否会对AI输出进行严格的人工验证？

• 是否能够持续提供稀缺的安全价值？

对于研究员而言,长期信誉的重要性将显著提高。一次高质量报告带来的价值,可能不仅是当前的奖金数字,还包括进入私有计划、获得更快反馈、接触更深入产品信息,以及与安全团队建立长期合作关系的机会。

GitHub降低公开漏洞赏金,并不意味着厂商不再重视外部安全研究。恰恰相反,公开计划和VIP计划之间三倍的严重漏洞奖励差距清楚表明,GitHub仍然愿意为真正高价值的安全成果支付可观的溢价。

只是被重新定价的对象,已经不再是"发现一段可疑代码"这个行为本身。

AI可以快速阅读海量代码、自动生成测试用例、构造各种假设场景,也可以让同一个代码仓库被更加频繁地反复扫描。研究员可以使用AI大幅提高工作效率,内部安全团队也可以在每一次代码提交后自动触发安全检查。第一遍发现正在变得越来越廉价。

真正昂贵的,是在复杂的产品环境中严格证明漏洞确实存在,清晰说明它如何跨越信任边界,准确展示它可能造成的现实影响,并切实帮助厂商找到可靠的修复方式。

curl项目的经历同样印证了这一点。取消现金奖励之后,AI辅助报告不仅没有减少,反而持续增加,但有效漏洞比例却从不足5%大幅提升到15%至16%。

这背后的变化不是AI突然变得完美,而是提交者的激励机制和责任意识发生了根本性转变。当"批量生成报告"不再容易获得回报，真正愿意验证结果、深入理解产品并完善证据链的研究员自然会留下来，而那些只想依靠AI"碰运气"的人则会逐渐退出。

对于漏洞赏金平台而言，下一阶段的竞争不仅仅是奖励金额的高低，更包括谁能更好地识别信号与噪声、培养新兴人才、保护开放性原则，并把有限的分诊资源精准分配给真正重要的安全问题。

对于安全研究员而言，最核心的竞争力也不再只是找到更多可疑点，而是能够把可疑点转化为确凿证据，把代码缺陷转化为可清晰解释的安全影响，把AI生成的初步猜测转化为自己能够完全负责的研究结论。

正如GitHub所反复强调的：工具并不决定工作的价值，工作的质量才是决定性因素。