Im eigenen Paper von CyberGym lag der beste Agent bei 11,9% (frühe Version) bis 22,0% (endgültige Version). Anbieter behaupten jetzt 93–97% bei derselben Suite: TrendAI 97% und selbst angegebene 95,1% für MiMo-V2.6-Flash von Xiaomi.
Beste KI für Cybersicherheit 2026: Exploit- gegen Fix-Werte
Im eigenen Paper von CyberGym reproduzierte der beste KI-Agent höchstens 22% der realen Schwachstellen, und Anbieter behaupten jetzt 95–97% bei denselben 1.507 Fehlern.
- Nr. 1: GPT-6 Sol (OpenAI)
- 10 Plätze
01Endgültige Liste
Die führenden KIs haben unabhängig voneinander jeweils eine eigene Liste mit zehn Plätzen erstellt. Hier steht ein leicht prüfbares Ergebnis: Jeder Platz hat einen Grund, eine Quelle und die Liste der KIs, die ihn aufgenommen haben.
Reihenfolge: von größter bis geringster Übereinstimmung der KIs.
Ein helles Kennzeichen heißt: Diese KI hat den Eintrag auf ihre Liste gesetzt. Ein blasses: hat sie nicht.
- 1
GPT-6 Sol (OpenAI)
Zweiter Platz bei CyberBench v1.1 mit 77,98% und etwa 69% im Artificial Analysis Cyber Index in seiner gesperrten Daybreak-Blue-Form. Ein Wert für Reparatur-Benchmarks wurde nicht gefunden.
Aufgenommen: Claude, Meta, Grok, DeepSeek. Nicht aufgenommen: ChatGPT, Nemotron, Gemini, MiMo, Kimi, Wenxin.In ihren Listen: Claude: 6 · Meta: 2 · Grok · DeepSeek: 5
Was jede KI angemerkt hat 1
- ClaudePlatz 6
Zweiter Platz bei CyberBench v1.1. In meinen Quellen gibt es aber keine SWE-bench-Angabe.
4 KIs setzten es hierher - 2
Muse Wonder (Meta)
Führt bei Vals CyberBench v1.1 mit 80,36% und erreicht 96,7% bei SWE-bench Pro V2 Full, ist also stark beim Knacken und beim Reparieren. Eine Liste mit dem Namen „Wonder Full“ zeigt 73,6%.
Aufgenommen: Claude, Meta, Grok, DeepSeek. Nicht aufgenommen: ChatGPT, Nemotron, Gemini, MiMo, Kimi, Wenxin.In ihren Listen: Claude: 7 · Meta: 1 · Grok: 7 · DeepSeek: 4
Was jede KI angemerkt hat 1
- ClaudePlatz 7
Spitze bei CyberBench v1.1 mit 80,36%. Ich habe aber keine Werte für Korrekturen gefunden.
4 KIs setzten es hierher - 3
Gemini 4 Argon (Google)
Erreicht 77,86% bei CyberBench, 0,12 Punkte hinter GPT-6 Sol, dazu 65–68% bei der Reparatur nach CWE-bench. Es gehört zu den wenigen Modellen, die auf beiden Seiten gemessen wurden.
Aufgenommen: Claude, Meta, Grok, DeepSeek. Nicht aufgenommen: ChatGPT, Nemotron, Gemini, MiMo, Kimi, Wenxin.In ihren Listen: Claude: 5 · Meta: 3 · Grok: 3 · DeepSeek: 10
Was jede KI angemerkt hat 1
- ClaudePlatz 5
Nur 0,12 Punkte hinter GPT-6 Sol bei CyberBench. Das Modell stammt von einem Unternehmen, das auch die Verteidigungswerkzeuge Big Sleep und CodeMender baut.
4 KIs setzten es hierher - 4
DeepSeek V4 (Pro und V4.1 Flash)
Offene Gewichte: V4 Pro repariert 96,40% bei SWE-bench Verified, und V4.1 Flash erreicht 73,69% bei CyberBench für unter 3 $ pro Lauf, gegenüber etwa 22 $ für GPT-6 Sol.
Aufgenommen: Claude, Grok, Kimi, DeepSeek. Nicht aufgenommen: ChatGPT, Meta, Nemotron, Gemini, MiMo, Wenxin.In ihren Listen: Claude: 3 · Grok: 4 · Kimi: 9 · DeepSeek: 7
Was jede KI angemerkt hat 1
- ClaudePlatz 3
Zweiter Platz bei SWE-bench Verified mit 96,40%. Es ist ein Modell aus der Klasse der offenen Gewichte, das Angreifer selbst betreiben können.
4 KIs setzten es hierher - 5
Claude Opus 5 (Anthropic)
Der beste gemessene Reparierer in den SWE-bench-Verified-Tabellen zweier Herausgeber (97,00% bei Vals, 96% bei BenchLM). Vals nennt diesen Test gesättigt, und für dieses Modell gibt es keinen Exploit-Wert.
Aufgenommen: Claude, MiMo, Kimi. Nicht aufgenommen: ChatGPT, Meta, Grok, Nemotron, Gemini, DeepSeek, Wenxin.In ihren Listen: Claude: 1 · MiMo: 1 · Kimi: 3
Was jede KI angemerkt hat 1
- ClaudePlatz 1
Erster Platz bei SWE-bench Verified mit 97,00%. Es behebt mehr Fehler, als es verursacht, und Googles Tracker nannte Claude nicht unter den Angriffswerkzeugen.
3 KIs setzten es hierher - 6
Claude Fable 5.2 (Anthropic)
Bester Reparierer: 75% bei CWE-bench v2, durchgeführt von den Betreuern des Benchmarks, 7 Punkte vor Gemini 4 Hydrogen. Außerdem 93% bei SWE-bench Pro; ein Exploit-Wert ist nicht veröffentlicht.
Aufgenommen: Meta, Grok, Kimi. Nicht aufgenommen: Claude, ChatGPT, Nemotron, Gemini, MiMo, DeepSeek, Wenxin.In ihren Listen: Meta: 5 · Grok: 1 · Kimi: 1
3 KIs setzten es hierher - 7
Claude Mythos 5 (Anthropic)
Repariert 95,5% bei SWE-bench Verified, erreicht bei ExploitGym aber nur 38,1% gegenüber 48,5% von GPT-6 Cyber. Das Profil neigt zur Verteidigung, allerdings nutzte jedes Labor sein eigenes Testgerüst.
Aufgenommen: Claude, MiMo, Kimi. Nicht aufgenommen: ChatGPT, Meta, Grok, Nemotron, Gemini, DeepSeek, Wenxin.In ihren Listen: Claude: 4 · MiMo: 2 · Kimi: 6
Was jede KI angemerkt hat 1
- ClaudePlatz 4
Zweiter Platz in BenchLMs Korrektur-Tabelle mit 95,5%. Ich habe aber keine Mythos-spezifischen Exploit-Zahlen gefunden.
Quelle ↗
3 KIs setzten es hierher - 8
GPT-6 Cyber (OpenAI)
Ein Exploit-Spezialist: 48,5% bei ExploitGym und 100% bei ExploitBench, beides von OpenAI angegeben. Er ist nur hinter Identitätsprüfungen erhältlich, und ein Reparatur-Wert wird nicht veröffentlicht.
Aufgenommen: Meta, Grok, Kimi. Nicht aufgenommen: Claude, ChatGPT, Nemotron, Gemini, MiMo, DeepSeek, Wenxin.In ihren Listen: Meta: 8 · Grok: 2 · Kimi: 4
3 KIs setzten es hierher - 9
Claude Opus 5.5 (Anthropic)
Führt bei den Netzwerkangriffen von Vals CyberOffense mit 77,1% und repariert 89,9% bei SWE-bench Pro. Sein CyberBench-Wert liegt je nach Vals-Tabelle bei 55,36% oder 74,6%.
Aufgenommen: Meta, Grok, DeepSeek. Nicht aufgenommen: Claude, ChatGPT, Nemotron, Gemini, MiMo, Kimi, Wenxin.In ihren Listen: Meta: 4 · Grok: 8 · DeepSeek: 9
3 KIs setzten es hierher - 10
Kimi K3.1 Pro (Moonshot AI)
Höchster Wert im Artificial Analysis Cyber Index über eine öffentlich verfügbare Standard-API (64,1%), und 94,7% bei CyberGym-E2E-AA, über den 93% des gesperrten GPT-6 Sol Daybreak Blue.
Aufgenommen: Meta, Grok. Nicht aufgenommen: Claude, ChatGPT, Nemotron, Gemini, MiMo, Kimi, DeepSeek, Wenxin.In ihren Listen: Meta: 6 · Grok: 6
2 KIs setzten es hierher
02Wissenswert
Was den KIs beim Erstellen der Liste aufgefallen ist.
Das Testgerüst verschiebt die Werte genauso stark wie das Modell: In einem Fall sah Semgrep, wie ein Modell mit einem besseren Testgerüst von 25% auf 73% stieg.
Testversionen sind nicht vergleichbar: GPT-5.6 Sol fiel bei CyberBench von 88,14% in v1 auf 76,31% in v1.1. Vals zählt zudem Verweigerungen als Fehlschläge.
Auch Reparatur-Werte sind aufgebläht: OpenAI hat SWE-bench Verified nicht mehr ausgewiesen, nachdem ein Audit in 59,4% der geprüften schweren Aufgaben gravierende Testfehler fand.
Angreifer in der Praxis nutzen Open-Source-Agenten-Frameworks (ARTEX, CAIRN, PentAGI, CyberStrikeAI, exploit_agent), nicht die Modelle an der Spitze der Ranglisten. Das FBI sagt, ARTEX habe in unter drei Stunden privilegierten Zugriff erreicht.
03Was Leute fragen
Was ist die beste KI für Cybersicherheit?
Kein Modell gewinnt alles. Muse Wonder führt bei Vals CyberBench v1.1 mit 80,36%, während Claude Fable 5.2 bei der Reparatur nach CWE-bench v2 mit 75% vorn liegt.
Welches KI-Modell ist das beste für Cybersicherheit?
Es kommt auf die Aufgabe an. Zum Reparieren echter Fehler führt Claude Opus 5 bei SWE-bench Verified mit 97,00%; für simulierte Netzwerkangriffe führt Claude Opus 5.5 bei Vals CyberOffense mit 77,1%.
Welche KI-Cybersicherheitsaktie ist die beste?
Die Benchmarks bewerten Modelle, nicht Aktien. Wedbush nannte CrowdStrike (Kursziel 250 $) und Palo Alto Networks (Kursziel 400 $) als seine wichtigsten Cybersicherheitswerte.
Quelle ↗Was ist die beste KI-Zertifizierung für Cybersicherheit?
CompTIA SecAI+ (CY0-001), gestartet am 17. Februar 2026, ist der KI-spezifische Einstieg: bis zu 60 Fragen in 60 Minuten, für Menschen mit einigen Jahren Erfahrung in der Sicherheitsarbeit.
Quelle ↗04So haben wir gezählt
In einfachen Worten, ohne Formeln.
1Die Frage
Die 10 besten KI-Modelle für Cybersicherheit: Exploit-Können im Vergleich zum Beheben von Lücken
2Warum dieses Thema
Leser sehen Angriffs- und Verteidigungswerte sowie das, was bei echten Angriffen beobachtet wurde, zusammen. Sie erfahren, welche Modelle Verteidigern am meisten helfen und warum derselbe Test je nach Durchführendem sehr unterschiedliche Antworten liefert.
3Wofür es gilt
Weltweit; Spitzen-KI-Modelle und Agenten-Setups, getestet an echten Software-Lücken
4Worauf wir geachtet haben
- Erfolgsquote bei der Reproduktion echter Schwachstellen im Labor (CyberGym, Vals.ai CyberBench)
- Erfolgsquote bei funktionierenden, regressionsfreien Korrekturen echter Code-Fehler (SWE-bench-Familie)
- Ob ein Mensch nötig ist, um die Aufgabe abzuschließen
- Wie konsistent die Ergebnisse eines Modells über Testversionen und Herausgeber hinweg sind
- Vals.ai CyberBench v1.1 — Machbarkeitsnachweis (Proof of Concept; 60 Aufgaben) und regressionssichere Korrekturen (56 Aufgaben) an echten OSS-Fuzz-Fehlern; nicht mit v1 vergleichbar
- CWE-bench v2 (über BenchLM) — Reparatur von Schwachstellen nach Schwachstellentyp, durchgeführt von den Betreuern des Benchmarks
- SWE-bench Verified (Vals, BenchLM) — Anteil echter Open-Source-Fehler, die behoben werden, ohne andere Tests zu brechen; Vals markiert ihn als gesättigt
- SWE-bench Pro (Scale AI SEAL) — Schwierigere Reparaturaufgaben in echten Repositorys; V2 umfasst 642 Aufgaben
5Wer gerankt hat
Die führenden KIs: Claude, ChatGPT, Meta, Grok, Nemotron, Gemini, MiMo, Kimi, DeepSeek, Wenxin. Jede hat unabhängig ihre eigene Zehnerliste erstellt und für jeden Platz eine Quelle genannt.
6Wie die Plätze festgelegt wurden
Derselbe Eintrag, von verschiedenen KIs unterschiedlich formuliert, wurde als einer gezählt. Je mehr KIs einen Eintrag auf ihre Liste setzten und je höher, desto höher sein Platz. „Einigkeit der KIs“ zeigt, wie viele KIs ihn auf ihrer eigenen Liste hatten. Quellen sind nur die, die die KIs selbst gefunden haben; nichts wurde von Hand ergänzt.
05Die Liste jeder KI
🇺🇸 Claude10 Plätze · 4 Hinweise
Dieselbe Frage, allein von Claude beantwortet. Die endgültige Liste oben vereint alle KIs.
- 1Claude Opus 5
Erster Platz bei SWE-bench Verified mit 97,00%. Es behebt mehr Fehler, als es verursacht, und Googles Tracker nannte Claude nicht unter den Angriffswerkzeugen.
- 2GPT-5.6 Sol
Sank von 88,14% bei CyberBench v1 auf 76,31% bei v1.1. Das zeigt, wie sehr die Testversion zählt.
- 3DeepSeek V4 Pro
Zweiter Platz bei SWE-bench Verified mit 96,40%. Es ist ein Modell aus der Klasse der offenen Gewichte, das Angreifer selbst betreiben können.
- 4Claude Mythos 5
Zweiter Platz in BenchLMs Korrektur-Tabelle mit 95,5%. Ich habe aber keine Mythos-spezifischen Exploit-Zahlen gefunden.
Quelle ↗ - 5Gemini 4 Argon
Nur 0,12 Punkte hinter GPT-6 Sol bei CyberBench. Das Modell stammt von einem Unternehmen, das auch die Verteidigungswerkzeuge Big Sleep und CodeMender baut.
- 6GPT-6 Sol
Zweiter Platz bei CyberBench v1.1. In meinen Quellen gibt es aber keine SWE-bench-Angabe.
- 7Wonder (Agenten-Einrichtung)
Spitze bei CyberBench v1.1 mit 80,36%. Ich habe aber keine Werte für Korrekturen gefunden.
- 8Claude Fable 5
95% in BenchLMs Korrektur-Tabelle, nah an den Modellen Opus und Mythos.
Quelle ↗ - 9Sangfor-KI-Agent auf DeepSeek-V4-Flash
Laut einem Bericht 93,2% bei CyberGym. Das passt schlecht zu den verifizierten 63,24% in einem Septemberpapier.
Quelle ↗ - 10Microsoft-MDASH-Agent
Im Mai 2026 wurden 88,45% bei CyberGym gemeldet.
Quelle ↗
Was Claude aufgefallen ist
Die ersten CyberGym-Ergebnisse waren niedrig: 17,9% für das beste Einzelversuchsergebnis im Papier. GPT-5 stieg mit mehr Denkaufwand von 7,7% auf 22,0%.
Das Agenten-Gerüst kann die Ergebnisse ebenso stark verschieben wie das Modell selbst. Semgrep sah, wie ein Modell mit besserem Gerüst von 25% auf 73% kam.
Berkeley RDI meldete für Claude Sonnet 4.5 bei CyberGym 28,9% in einem einzelnen Durchlauf. Bei 30 Versuchen stieg der Wert auf 66,7%.
GTIG sagt, Angreifer nutzen KI vor allem für N-Day-Arbeit, etwa zur Analyse von Patches und Proof-of-Concept-Code. Laut Bericht setzten die mit China in Verbindung gebrachte Gruppe UNC2814 und APT45 aus Nordkorea KI für die Suche nach Schwachstellen ein.