대규모 언어 모델 (LLMs)은 특히 검색 증강 생성 (RAG) 환경에서 자동화된 소프트웨어 취약점 탐지에 강력한 잠재력을 보여주었습니다. 그러나 독점 모델 (Proprietary models) 및 API에 의존하는 접근 방식의 경우, 재현성 (Reproducibility)과 복제 가능성 (Replicability)이 여전히 거의 탐구되지 않은 상태이며, 이는 보고된 결과가 일반화될 수 있는지 아니면 주로 특정 모델 선택에 의존하는지에 대한 의문을 제기합니다. 본 연구에서는 고수준의 취약점 지식으로 LLMs를 강화하는 RAG 기반 소스 코드 취약점 탐지 프레임워크인 Vul-RAG에 대한 재현성 연구를 제시합니다. 우리는 먼저 보고된 Open-weight 베이스라인 모델들을 사용하여 완전히 로컬이며 Open-weights 설정에서 결과를 복제합니다. 그런 다음, 다양한 파라미터 크기를 가진 코드 특화 모델, 범용 모델 및 추론 모델을 포함하여 최근의 다양한 Open-weight LLMs로 평가를 확장합니다. 결과는 Vul-RAG의 발견 사항이 로컬 배포 환경에서 약간의 편차와 함께 재현 가능하다는 것을 확인해 줍니다. 평가된 모든 모델에 걸쳐, 우리는 약 0.30의 쌍별 정확도 (Pairwise accuracy; 취약한 함수와 패치된 함수가 모두 올바르게 분류된 코드 쌍)에서 성능 정체 현상을 관찰합니다. 특히, 이러한 정체 현상은 더 최신의 고급 모델에서도 지속되며, 이는 모델 용량(Model capacity)의 향상만으로는 성능을 실질적으로 개선하지 못함을 나타냅니다. 마지막으로, 우리는 탐지 효과성, 모델 능력 및 모델 규모 사이의 실질적인 시사점과 트레이드오프 (Trade-offs)를 논의합니다. 구현 및 평가 아티팩트는 https://github.com/hs-esslingen-it-security/revisiting-Vul-RAG 에서 공개적으로 사용할 수 있습니다.