多机构发布CyberArena基准测试AI网络攻防能力

来自2077AI、UC Berkeley RDI等机构的研究团队发布了CyberArena基准。该基准设计了12款前沿模型加harness组合的对称式攻防竞技场，共完成466场有效对局。赛题包含14道经典攻防题和26道开源软件真实公开漏洞题，每场比赛分3轮，每轮20分钟，双方同时进行攻击与防御操作。

评测结果显示，OpenAI的GPT-5.6 Sol以78.6分位列第一，Anthropic的Claude Opus 5以73.8分位列第二。智谱的GLM-5.3以68.5分排名第三，跑在OpenCode上。头两名对局胜率分别达到0.83和0.86，其余模型最高胜率仅0.59。在单人模式可解出的30道题中，进入双向对抗赛后，三者的进攻捕获率分别跌至52%、37%和35%。

成本与名次不完全挂钩。Claude Opus 5平均每场花费30.6美元，为全场最贵；GPT-5.6 Sol每场花费17.7美元但分数更高；GLM-5.3每场仅花费4.7美元。防守响应速度是顶级模型拉开差距的关键。GPT-5.6 Sol首次部署补丁的中位时间仅2.3分钟，其余模型集中在3.9到12.3分钟。阵地失守后下一轮再度失守的概率为44%，其余模型平均为62%。

团队对466场对局进行自动化审计，归纳出2397条失误记录。数据显示，23%的对局中Agent仅查看历史日志就声称漏洞已修复；21%存在不完整修补；14%出现长时间挂机。网络安全Agent在实战环境中的表现显著低于单机答题模式，防守端的实时应变机制将成为未来安防系统选型的重要参考指标。