대규모 언어 모델(Large Language Models, LLMs)은 소프트웨어 개발을 빠르게 변화시키고 있지만, 보안이 중요한 맥락에서의 사용은 핵심적인 질문을 던집니다. 즉, 모델이 자신이 생성한 코드가 안전하지 않다는 것을 알고 있는가 하는 점입니다. 캘리브레이션(calibration)이라고 알려진 이 속성은 모델의 확신도(confidence)가 출력물의 실제 정확성과 일치하는지를 측정합니다. 우리는 LLM이 생성한 코드의 보안 캘리브레이션에 관한 최초의 대규모 실증적 연구를 제시합니다. 우리는 두 가지 상호 보완적인 벤치마크인 자기 완결적 보안 작업(self-contained security tasks)과 다국어 리포지토리 수준 컨텍스트(multi-language repository-level contexts)에 대해 다양한 온도(temperature) 설정에서 GPT-4o-mini, Gemini-2.0-Flash, Qwen3-Coder-Next를 평가합니다. 우리의 결과는 평가된 LLM 전반에 걸쳐 과잉 확신(overconfidence)이 만연해 있음을 시사합니다. 기능적 캘리브레이션(Functional calibration)은 보안 캘리브레이션보다 일관되게 더 나쁜 성능을 보이는데, 이는 모델이 기능적 정확성보다 보안 결과를 더 신뢰성 있게 추정함을 시사하며, 이는 잠재적으로 기능적 정확성이 복잡한 실행 동작에 의존하기 때문일 수 있습니다. 우리는 또한 캘리브레이션 가이드 자동 수정(calibration-guided automated repair)이 LLM 생성 코드의 취약점을 해결하는 데 도움이 될 수 있는지 조사하였으며, 기능적 회귀(functional regressions)를 빈번하게 유발하면서 개선 효과는 제한적이라는 것을 발견했습니다. 또한, 모델이 취약한 코드에 높은 확신을 부여하는 허위 신뢰(False Trust)를 줄이기 위한 다양한 완화 전략을 연구합니다. 결과에 따르면 아키텍처 게이팅(architectural gating)이 통제된 벤치마크에서는 캘리브레이션을 개선하지만, 실제 리포지토리 수준의 설정에서는 캘리브레이션이 악화되어 높은 확신을 가진 취약한 출력물의 위험을 증가시키는 것으로 나타났습니다.