El propio artículo de CyberGym situó al mejor agente en 11,9% (versión temprana) y 22,0% (versión final). Los proveedores ahora afirman entre 93% y 97% en la misma suite: TrendAI con 97% y un 95,1% autoinformado para MiMo-V2.6-Flash de Xiaomi.
Mejor IA para ciberseguridad 2026: puntuaciones de explotar frente a corregir
En el propio artículo de CyberGym, el mejor agente de IA reprodujo como máximo el 22% de las vulnerabilidades reales, y los proveedores ahora afirman entre 95% y 97% sobre los mismos 1.507 errores.
- N.º 1: GPT-6 Sol (OpenAI)
- 10 puestos
01Lista final
Las IA líderes armaron cada una su propia lista de diez, de forma independiente. Aquí hay un resultado fácil de comprobar: cada puesto tiene un motivo, una fuente y la lista de IA que lo incluyeron.
Orden: de mayor a menor acuerdo entre las IA.
Una etiqueta brillante significa que esa IA puso el elemento en su lista. Una tenue, que no.
- 1
GPT-6 Sol (OpenAI)
Segundo en CyberBench v1.1 con 77,98%, y alrededor de 69% en el Artificial Analysis Cyber Index en su versión restringida Daybreak Blue. No se encontró ninguna puntuación de corrección.
Lo incluyeron: Claude, Meta, Grok, DeepSeek. No lo incluyeron: ChatGPT, Nemotron, Gemini, MiMo, Kimi, Wenxin.En sus listas: Claude: 6 · Meta: 2 · Grok · DeepSeek: 5
Qué señaló cada IA 1
- Claudepuesto 6
Segundo en CyberBench v1.1, sin cifra de SWE-bench en mis fuentes.
4 IA lo pusieron aquí - 2
Muse Wonder (Meta)
Lidera Vals.ai CyberBench v1.1 con 80,36% y logra 96,7% en SWE-bench Pro V2 Full, así que es fuerte tanto para romper como para corregir. Un listado «Wonder Full» muestra 73,6%.
Lo incluyeron: Claude, Meta, Grok, DeepSeek. No lo incluyeron: ChatGPT, Nemotron, Gemini, MiMo, Kimi, Wenxin.En sus listas: Claude: 7 · Meta: 1 · Grok: 7 · DeepSeek: 4
Qué señaló cada IA 1
- Claudepuesto 7
Primero en CyberBench v1.1 con 80,36%, pero no encontré puntuaciones de corrección para este modelo.
4 IA lo pusieron aquí - 3
Gemini 4 Argon (Google)
Obtiene 77,86% en CyberBench, 0,12 puntos por detrás de GPT-6 Sol, además de 65–68% en la corrección de CWE-bench. Es uno de los pocos modelos evaluados en ambos lados.
Lo incluyeron: Claude, Meta, Grok, DeepSeek. No lo incluyeron: ChatGPT, Nemotron, Gemini, MiMo, Kimi, Wenxin.En sus listas: Claude: 5 · Meta: 3 · Grok: 3 · DeepSeek: 10
Qué señaló cada IA 1
- Claudepuesto 5
Solo 0,12 puntos por detrás de GPT-6 Sol en CyberBench, de una empresa que también construye las herramientas defensivas Big Sleep y CodeMender.
4 IA lo pusieron aquí - 4
DeepSeek V4 (Pro y V4.1 Flash)
Pesos abiertos: V4 Pro corrige el 96,40% en SWE-bench Verified, y V4.1 Flash obtiene 73,69% en CyberBench por menos de 3 $ por ejecución, frente a unos 22 $ de GPT-6 Sol.
Lo incluyeron: Claude, Grok, Kimi, DeepSeek. No lo incluyeron: ChatGPT, Meta, Nemotron, Gemini, MiMo, Wenxin.En sus listas: Claude: 3 · Grok: 4 · Kimi: 9 · DeepSeek: 7
Qué señaló cada IA 1
- Claudepuesto 3
Segundo en SWE-bench Verified con 96,40%, un modelo de clase de pesos abiertos que los atacantes pueden ejecutar por su cuenta.
4 IA lo pusieron aquí - 5
Claude Opus 5 (Anthropic)
El mejor corrector medido en las tablas de SWE-bench Verified de dos editores (97,00% en Vals.ai, 96% en BenchLM). Vals.ai considera saturada esa prueba, y no existe puntuación de explotación para este modelo.
Lo incluyeron: Claude, MiMo, Kimi. No lo incluyeron: ChatGPT, Meta, Grok, Nemotron, Gemini, DeepSeek, Wenxin.En sus listas: Claude: 1 · MiMo: 1 · Kimi: 3
Qué señaló cada IA 1
- Claudepuesto 1
Primero en SWE-bench Verified con 97,00%, así que corrige más de lo que rompe; y el rastreador de Google no mencionó a Claude entre las herramientas de los atacantes.
3 IA lo pusieron aquí - 6
Claude Fable 5.2 (Anthropic)
El mejor corrector: 75% en CWE-bench v2, ejecutado por los mantenedores del benchmark, 7 puntos por encima de Gemini 4 Hydrogen. También obtiene 93% en SWE-bench Pro, y no se publica ninguna puntuación de explotación.
Lo incluyeron: Meta, Grok, Kimi. No lo incluyeron: Claude, ChatGPT, Nemotron, Gemini, MiMo, DeepSeek, Wenxin.En sus listas: Meta: 5 · Grok: 1 · Kimi: 1
3 IA lo pusieron aquí - 7
Claude Mythos 5 (Anthropic)
Corrige el 95,5% en SWE-bench Verified, pero llega solo al 38,1% en ExploitGym, frente al 48,5% de GPT-6 Cyber. El perfil se inclina hacia la defensa, aunque cada laboratorio usó su propio arnés de pruebas.
Lo incluyeron: Claude, MiMo, Kimi. No lo incluyeron: ChatGPT, Meta, Grok, Nemotron, Gemini, DeepSeek, Wenxin.En sus listas: Claude: 4 · MiMo: 2 · Kimi: 6
Qué señaló cada IA 1
- Claudepuesto 4
Segundo en la tabla de correcciones de BenchLM con 95,5%, pero no encontré cifras de exploits específicas de Mythos.
Fuente ↗
3 IA lo pusieron aquí - 8
GPT-6 Cyber (OpenAI)
Especialista en exploits: 48,5% en ExploitGym y 100% en ExploitBench, ambos informados por OpenAI. Solo está disponible tras verificaciones de identidad, y no se publica ninguna puntuación de corrección.
Lo incluyeron: Meta, Grok, Kimi. No lo incluyeron: Claude, ChatGPT, Nemotron, Gemini, MiMo, DeepSeek, Wenxin.En sus listas: Meta: 8 · Grok: 2 · Kimi: 4
3 IA lo pusieron aquí - 9
Claude Opus 5.5 (Anthropic)
Lidera Vals.ai CyberOffense en ataques de red con 77,1% y corrige el 89,9% en SWE-bench Pro. Su puntuación en CyberBench es 55,36% o 74,6%, según la tabla de Vals.ai.
Lo incluyeron: Meta, Grok, DeepSeek. No lo incluyeron: Claude, ChatGPT, Nemotron, Gemini, MiMo, Kimi, Wenxin.En sus listas: Meta: 4 · Grok: 8 · DeepSeek: 9
3 IA lo pusieron aquí - 10
Kimi K3.1 Pro (Moonshot AI)
La puntuación más alta del Artificial Analysis Cyber Index en una API pública estándar (64,1%), y 94,7% en CyberGym-E2E-AA, por encima del 93% de GPT-6 Sol Daybreak Blue, que tiene acceso restringido.
Lo incluyeron: Meta, Grok. No lo incluyeron: Claude, ChatGPT, Nemotron, Gemini, MiMo, Kimi, DeepSeek, Wenxin.En sus listas: Meta: 6 · Grok: 6
2 IA lo pusieron aquí
02Vale la pena saber
Lo que notaron las IA al armar la lista.
El arnés mueve las puntuaciones tanto como el modelo: en un caso, Semgrep vio que un modelo pasaba de 25% a 73% con un mejor arnés.
Las versiones de prueba no son comparables: GPT-5.6 Sol bajó de 88,14% en CyberBench v1 a 76,31% en v1.1. Vals.ai también cuenta las negativas como fallos.
Las puntuaciones de corrección también están infladas: OpenAI dejó de informar SWE-bench Verified después de que una auditoría encontrara fallos materiales en las pruebas del 59,4% de las tareas difíciles que revisó.
Los atacantes en la práctica usan marcos de agentes de código abierto (ARTEX, CAIRN, PentAGI, CyberStrikeAI, exploit_agent), no los modelos que encabezan las tablas. El FBI dice que ARTEX logró acceso privilegiado en menos de tres horas.
03Lo que la gente pregunta
¿Cuál es la mejor IA para ciberseguridad?
Ningún modelo gana en todo. Muse Wonder lidera Vals.ai CyberBench v1.1 con 80,36%, mientras Claude Fable 5.2 lidera la corrección en CWE-bench v2 con 75%.
¿Cuál es el mejor modelo de IA para ciberseguridad?
Depende del trabajo. Para corregir errores reales, Claude Opus 5 lidera SWE-bench Verified con 97,00%; para ataques de red simulados, Claude Opus 5.5 lidera Vals.ai CyberOffense con 77,1%.
¿Cuál es la mejor acción de ciberseguridad con IA?
Los benchmarks clasifican modelos, no acciones. Wedbush nombró a CrowdStrike (precio objetivo de 250 $) y a Palo Alto Networks (precio objetivo de 400 $) como sus principales elecciones en ciberseguridad.
Fuente ↗¿Cuál es la mejor certificación en ciberseguridad con IA?
CompTIA SecAI+ (CY0-001), lanzado el 17 de febrero de 2026, es el punto de partida específico para IA: hasta 60 preguntas en 60 minutos, dirigido a personas con unos años de trabajo en seguridad.
Fuente ↗04Cómo lo calculamos
En palabras sencillas, sin fórmulas.
1La pregunta
Los 10 mejores modelos de IA para ciberseguridad: habilidad para explotar frente a habilidad para corregir
2Por qué este tema
El lector ve juntas las cifras del lado del ataque, las del lado de la defensa y lo observado en ataques reales. Así aprende qué modelos ayudan más a los defensores y por qué la misma prueba da respuestas muy distintas según quién la ejecute.
3Dónde aplica
Global; modelos de IA de frontera y montajes de agentes probados con fallas reales de software
4Qué miramos
- Tasa de éxito al reproducir vulnerabilidades reales en laboratorio (CyberGym, CyberBench de Vals.ai)
- Tasa de éxito al producir correcciones que funcionan y no rompen nada en errores reales de código (familia SWE-bench)
- Si hace falta una persona para terminar el trabajo
- Qué tan consistentes son las cifras de un modelo entre versiones del test y entre quienes las publican
- Vals.ai CyberBench v1.1 — Reproducción de prueba de concepto (60 tareas) y parches que no rompen la funcionalidad existente (56 tareas) sobre errores reales de OSS-Fuzz; no comparable con v1
- CWE-bench v2 (vía BenchLM) — Corrección de vulnerabilidades clasificadas por tipo de debilidad, ejecutada por los mantenedores del benchmark
- SWE-bench Verified (Vals.ai, BenchLM) — Proporción de errores reales de código abierto corregidos sin romper otras pruebas; Vals.ai la marca como saturada
- SWE-bench Pro (Scale AI SEAL) — Tareas más difíciles de corrección en repositorios reales; la versión V2 usa 642 tareas
5Quién clasificó
Las IA líderes: Claude, ChatGPT, Meta, Grok, Nemotron, Gemini, MiMo, Kimi, DeepSeek, Wenxin. Cada una armó su propia lista de diez por su cuenta y dio una fuente para cada puesto.
6Cómo se fijaron los puestos
Lo mismo escrito de distinta forma por distintas IA se contó como una sola entrada. Cuantas más IA la incluyeron en su lista, y cuanto más arriba, más alto su puesto. «Acuerdo de las IA» muestra cuántas IA la tenían en su propia lista. Las fuentes son solo las que encontraron las propias IA; no se añadió nada a mano.
05La lista de cada IA
🇺🇸 Claude10 puestos · 4 notas
La misma pregunta, respondida solo por Claude. La lista final de arriba combina todas las IA.
- 1Claude Opus 5
Primero en SWE-bench Verified con 97,00%, así que corrige más de lo que rompe; y el rastreador de Google no mencionó a Claude entre las herramientas de los atacantes.
- 2GPT-5.6 Sol
Bajó de 88,14% en CyberBench v1 a 76,31% en v1.1, lo que muestra cuánto importa la versión de la prueba.
- 3DeepSeek V4 Pro
Segundo en SWE-bench Verified con 96,40%, un modelo de clase de pesos abiertos que los atacantes pueden ejecutar por su cuenta.
- 4Claude Mythos 5
Segundo en la tabla de correcciones de BenchLM con 95,5%, pero no encontré cifras de exploits específicas de Mythos.
Fuente ↗ - 5Gemini 4 Argon
Solo 0,12 puntos por detrás de GPT-6 Sol en CyberBench, de una empresa que también construye las herramientas defensivas Big Sleep y CodeMender.
- 6GPT-6 Sol
Segundo en CyberBench v1.1, sin cifra de SWE-bench en mis fuentes.
- 7Wonder (configuración de agente)
Primero en CyberBench v1.1 con 80,36%, pero no encontré puntuaciones de corrección para este modelo.
- 8Claude Fable 5
95% en la tabla de correcciones de BenchLM, cerca de los modelos Opus y Mythos.
Fuente ↗ - 9Agente de IA de Sangfor sobre DeepSeek-V4-Flash
Informó 93,2% en CyberGym en un solo informe, lo que contrasta de forma extraña con un 63,24% verificado en un artículo de septiembre.
Fuente ↗ - 10Agente MDASH de Microsoft
Informó 88,45% en CyberGym en mayo de 2026.
Fuente ↗
Lo que notó Claude
Las primeras puntuaciones en CyberGym fueron bajas: 17,9% para el mejor resultado de un solo intento en el artículo. GPT-5 subió de 7,7% a 22,0% con más esfuerzo de razonamiento.
El arnés del agente puede mover los resultados tanto como el modelo: Semgrep vio que un modelo pasó de 25% a 73% con un mejor arnés.
Berkeley RDI informó que Claude Sonnet 4.5 obtuvo 28,9% en CyberGym en una sola ejecución, y subió a 66,7% con 30 intentos.
GTIG dice que los atacantes usan la IA sobre todo para trabajo con n-days, como analizar parches y código de prueba de concepto. Informa que UNC2814, vinculado a China, y APT45, de Corea del Norte, usaron IA para investigar vulnerabilidades.