CyberArena 对称攻防评测 12 款模型

1. 06:20
   公众号 机器之心精选

   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。

1. 03:54
   X@evfuturenews· 讨论

   CyberArena-მ 12 AI აგენტი შეაფასა 40 გამოწვევაზე ჩატარებულ 466 ვალიდურ, ცოცხალ თავდაცვით-შემტევ მატჩში. ანგარიშში GPT-5…（新标签页打开原帖）
2. 03:53
   X@evfuturenews· 讨论

   CyberArena tested 12 AI agents across 466 valid live attack-and-defense matches on 40 challenges. GPT-5.6 Sol led the r…（新标签页打开原帖）

1. 18:31
   网页机器之心· 媒体跟进

   网络安全的AlphaGo时刻，或从这466场Agent对局开始（新标签页打开原帖）
2. 18:00
   公众号 机器之心精选

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

   2077AI、UC Berkeley RDI 等机构研究团队推出对称攻防评测平台 CyberArena，12 款前沿模型与 harness 组合经 22 个批次、466 场有效对局，OpenAI 的 GPT-5.6 Sol 以 78.6 分居首，Anthropic 的 Claude Opus 5 以 73.8 分次之，智谱开源模型 GLM-5.3 以 68.5 分列第三。平台采用攻防夺旗形式，每场 3 轮，Agent 须一边攻破对手服务、一边守住己方业务可用性。对比实验显示，GPT-5.6 Sol、Claude Opus 4.8 和 GLM-5.3 在单人模式下都能完全解出的 30 道题，进入双向对抗后第 3 轮进攻捕获率分别跌至 52%、37% 和 35%。论文见 arXiv 2610.19005，代码已在 GitHub 开源。

3. 11:58
   X@AIbreakingnew· 讨论

   AI agents now face off live: each attacks the rival service while patching its own. Over 466 matches, GPT-5.6 Sol in Co…（新标签页打开原帖）

当前关注度42·可比范围峰值43（11月6日 03:00）·近 24 小时可比范围变化 0%