网络安全的 AlphaGo 时刻，或从 CyberArena 的 466 场 Agent 对局开始

研究团队构建 CyberArena 对称攻防评测，让 12 款前沿模型与 harness 组合在 22 个批次、466 场有效对局中同时攻击对手并维护自身服务。GPT-5.6 Sol 以 78.6 分居首，Claude Opus 5 以 73.8 分第二，GLM-5.3 以 68.5 分第三。比赛每场 3 轮、每轮 20 分钟，防守方部署的补丁会保留，若关闭服务或损害正常业务则会被扣分。论文称，三个模型都能单人解出的 30 道题进入双向对抗后，第 3 轮进攻捕获率分别降至 52%、37% 和 35%，静态 CTF 成绩与动态攻防表现存在差距。审计 466 场对局发现 2,397 条失误，23% 的对局中 Agent 仅凭补丁部署前的日志就声称修复完成。