本研究提出R2Vul方法，利用强化学习和结构化推理蒸馏，解决大型语言模型在软件漏洞检测中的推理信度不足问题。R2Vul能够生成可靠的安全评估，并有效区分有效与误导性评估，推动软件漏洞检测研究的发展。

本文探讨了深度学习在软件漏洞检测中的应用，指出现有技术存在高误报和漏报的问题。通过优化模型和真实数据集，研究实现了更高的漏洞预测性能，并提出了新的数据集PrimeVul，评估了代码语言模型的有效性。研究表明，结合源代码特征的深度学习可提高检测可靠性，未来需更多创新以提升漏洞检测能力。