CyberGymの論文では、最良のエージェントの成績は11.9%(初期版)から22.0%(最終版)でした。ベンダーは今、同じテストで93〜97%を主張しています。TrendAIは97%、小米のMiMo-V2.6-Flashは自己申告で95.1%です。
2026年のサイバーセキュリティ向けAIの最強は:攻撃と修正の点数比較
CyberGymの論文そのものでは、最良のAIエージェントが実在する脆弱性を再現できたのは最大22%でした。一方、ベンダーは同じ1,507件のバグで95〜97%を主張しています。
- 1位:GPT-6 Sol(OpenAI)
- 10 位まで
01最終リスト
主要なAIがそれぞれ独立して 10 位までのリストを作りました。確認しやすい 1 つの結果です。各順位に理由、出典、その項目を入れた AI の一覧があります。
並び順:AIの合意が多い順です。
明るいバッジは、その AI がこの項目を自分のリストに入れたことを示します。薄いバッジは入れなかったことを示します。
- 1
GPT-6 Sol(OpenAI)
CyberBench v1.1で77.98%の2位。また、限定公開のDaybreak Blue版でArtificial Analysis Cyber Indexの約69%です。修正系ベンチマークの点数は見つかりませんでした。
選んだ AI: Claude, Meta, Grok, DeepSeek. 選ばなかった AI: ChatGPT, Nemotron, Gemini, MiMo, Kimi, Wenxin.各 AI のリストでの順位: Claude: 6 · Meta: 2 · Grok · DeepSeek: 5
各 AI の指摘 1
- Claude6 位
CyberBench v1.1で2位です。私の情報源にはSWE-benchの数値はありませんでした。
4つのAIがここに選出 - 2
Muse Wonder(メタ)
Vals CyberBench v1.1で80.36%を取ってトップ、SWE-bench Pro V2 Fullでは96.7%です。攻撃にも修正にも強いことになります。「Wonder Full」という掲載では73.6%です。
選んだ AI: Claude, Meta, Grok, DeepSeek. 選ばなかった AI: ChatGPT, Nemotron, Gemini, MiMo, Kimi, Wenxin.各 AI のリストでの順位: Claude: 7 · Meta: 1 · Grok: 7 · DeepSeek: 4
各 AI の指摘 1
- Claude7 位
CyberBench v1.1で80.36%の首位ですが、修正のスコアは見つかりませんでした。
4つのAIがここに選出 - 3
Gemini 4 Argon(グーグル)
CyberBenchで77.86%、GPT-6 Solに0.12ポイント届かず。CWE-benchの修正では65〜68%です。攻撃と修正の両面で採点された数少ないモデルの一つです。
選んだ AI: Claude, Meta, Grok, DeepSeek. 選ばなかった AI: ChatGPT, Nemotron, Gemini, MiMo, Kimi, Wenxin.各 AI のリストでの順位: Claude: 5 · Meta: 3 · Grok: 3 · DeepSeek: 10
各 AI の指摘 1
- Claude5 位
CyberBenchではGPT-6 Solにわずか0.12ポイント差です。同じ会社は、防御用のツールBig SleepとCodeMenderも作っています。
4つのAIがここに選出 - 4
DeepSeek V4(ProとV4.1 Flash)
オープンウェイトモデル:V4 ProはSWE-bench Verifiedで96.40%の修正。V4.1 FlashはCyberBenchで73.69%で、1回の実行が$3未満です。GPT-6 Solは1回約$22です。
選んだ AI: Claude, Grok, Kimi, DeepSeek. 選ばなかった AI: ChatGPT, Meta, Nemotron, Gemini, MiMo, Wenxin.各 AI のリストでの順位: Claude: 3 · Grok: 4 · Kimi: 9 · DeepSeek: 7
各 AI の指摘 1
- Claude3 位
SWE-bench Verifiedで96.40%の2位です。重みを公開しているモデルと同じクラスで、攻撃者も自分で動かせるモデルです。
4つのAIがここに選出 - 5
Claude Opus 5(アンソロピック)
2社のSWE-bench Verifiedの表で、実測で最も高い修正能力(Valsで97.00%、BenchLMで96%)。Valsはこのテストが頭打ちになったとしており、このモデルの攻撃の点数はありません。
選んだ AI: Claude, MiMo, Kimi. 選ばなかった AI: ChatGPT, Meta, Grok, Nemotron, Gemini, DeepSeek, Wenxin.各 AI のリストでの順位: Claude: 1 · MiMo: 1 · Kimi: 3
各 AI の指摘 1
- Claude1 位
SWE-bench Verifiedで97.00%の1位です。壊すより直すほうが多く、グーグルの追跡ではClaudeが攻撃者のツールとして挙げられていませんでした。
3つのAIがここに選出 - 6
Claude Fable 5.2(アンソロピック)
修正能力トップ:ベンチマークの運営者が実施したCWE-bench v2で75%。Gemini 4 Hydrogenを7ポイント上回ります。SWE-bench Proでは93%ですが、攻撃の点数は公表されていません。
選んだ AI: Meta, Grok, Kimi. 選ばなかった AI: Claude, ChatGPT, Nemotron, Gemini, MiMo, DeepSeek, Wenxin.各 AI のリストでの順位: Meta: 5 · Grok: 1 · Kimi: 1
3つのAIがここに選出 - 7
Claude Mythos 5(アンソロピック)
SWE-bench Verifiedでの修正は95.5%ですが、ExploitGymでは38.1%にとどまり、GPT-6 Cyberの48.5%に及びません。防御寄りの性格ですが、各社は独自の試験環境を使っています。
選んだ AI: Claude, MiMo, Kimi. 選ばなかった AI: ChatGPT, Meta, Grok, Nemotron, Gemini, DeepSeek, Wenxin.各 AI のリストでの順位: Claude: 4 · MiMo: 2 · Kimi: 6
各 AI の指摘 1
- Claude4 位
BenchLMの修正表では95.5%で2位ですが、Mythos固有の攻撃の数値は見つかりませんでした。
出典 ↗
3つのAIがここに選出 - 8
GPT-6 Cyber(OpenAI)
攻撃の専門モデル:ExploitGymで48.5%、ExploitBenchで100%。どちらもOpenAIが公表した数字です。本人確認を済ませた人だけが利用でき、修正の点数は公表されていません。
選んだ AI: Meta, Grok, Kimi. 選ばなかった AI: Claude, ChatGPT, Nemotron, Gemini, MiMo, DeepSeek, Wenxin.各 AI のリストでの順位: Meta: 8 · Grok: 2 · Kimi: 4
3つのAIがここに選出 - 9
Claude Opus 5.5(アンソロピック)
Vals CyberOffenseのネットワーク攻撃で77.1%でトップ、SWE-bench Proでの修正は89.9%です。CyberBenchの点数は、Valsの表によって55.36%とも74.6%ともなります。
選んだ AI: Meta, Grok, DeepSeek. 選ばなかった AI: Claude, ChatGPT, Nemotron, Gemini, MiMo, Kimi, Wenxin.各 AI のリストでの順位: Meta: 4 · Grok: 8 · DeepSeek: 9
3つのAIがここに選出 - 10
Kimi K3.1 Pro(月之暗面)
標準の公開APIで、Artificial Analysis Cyber Indexが最高の64.1%。CyberGym-E2E-AAでは94.7%で、限定公開のGPT-6 Sol Daybreak Blueの93%を上回ります。
選んだ AI: Meta, Grok. 選ばなかった AI: Claude, ChatGPT, Nemotron, Gemini, MiMo, Kimi, DeepSeek, Wenxin.各 AI のリストでの順位: Meta: 6 · Grok: 6
2つのAIがここに選出
02知っておきたいこと
AI がリストを作る中で気づいたこと。
試験環境はモデルと同じくらい点数を動かします。ある例では、Semgrepがより良い試験環境に変えたところ、モデルの点数が25%から73%に上がるのを確認しました。
試験の版が違うと比べられません。GPT-5.6 Solは、CyberBench v1では88.14%でしたが、v1.1では76.31%に下がりました。Valsは拒否された回答も失敗として数えます。
修正の点数も水増しされています。OpenAIは、監査で確認した難しい課題の59.4%に重大なテストの欠陥が見つかったため、SWE-bench Verifiedの報告をやめました。
実際の攻撃者は、ランキングの首位にあるモデルではなく、オープンソースのエージェント枠組み(ARTEX、CAIRN、PentAGI、CyberStrikeAI、exploit_agent)を使っています。FBIによると、ARTEXは3時間未満で特権アクセスを得ました。
03よくある質問
サイバーセキュリティに最適なAIは何ですか?
単独で勝つモデルはありません。Muse WonderはVals CyberBench v1.1で80.36%でトップ、Claude Fable 5.2はCWE-bench v2の修正で75%で首位です。
セキュリティ用に最も良いAIモデルはどれですか?
用途によります。実在するバグの修正では、Claude Opus 5がSWE-bench Verifiedで97.00%で首位。模擬のネットワーク攻撃では、Claude Opus 5.5がVals CyberOffenseで77.1%で首位です。
最も良いAIサイバーセキュリティ銘柄はどれですか?
ベンチマークはモデルを評価するもので、株は評価しません。ウェッドブッシュは、クラウドストライク(目標株価$250)とパロアルトネットワークス(目標株価$400)を、サイバーセキュリティの有力銘柄として挙げています。
出典 ↗サイバーセキュリティのAI資格で最良のものは何ですか?
CompTIA SecAI+(CY0-001)は2026年2月17日に始まった、AIに特化した入門の資格です。最大60問を制限時間60分で解き、セキュリティ業務の経験が数年ある人が対象です。
出典 ↗04集計方法
数式なしで、やさしい言葉で。
1質問
サイバーセキュリティ向けAIトップ10:攻撃力と修正力の比較
2このテーマを選んだ理由
攻撃側のスコア、防御側のスコア、現実の攻撃で観測されたことを一緒に見られます。どのモデルが防御側を最も助けるか、同じテストでも測る人によって答えが大きく変わる理由が分かります。
3対象範囲
世界。最先端のAIモデルとエージェント構成を、実際のソフトウェアの欠陥で試験
4評価の観点
- ラボで実際の脆弱性を再現できた割合(CyberGym、Vals.ai CyberBench)
- 実際のコードのバグに対し、他の機能を壊さない修正を作れた割合(SWE-benchファミリー)
- 作業を終えるのに人の手が必要かどうか
- テストのバージョンや発表元をまたいで、モデルのスコアがどれだけ安定しているか
- Vals.ai CyberBench v1.1 — 実在のOSS-Fuzzバグに対する、攻撃コードによる再現(60課題)と、既存機能を壊さない修正(56課題)。v1とは比較できません
- CWE-bench v2(BenchLM経由)— 弱点の種類で分類された脆弱性の修正。ベンチマークの運営者自身が実施
- SWE-bench Verified(Vals、BenchLM)— 実在のオープンソースのバグを、他のテストを壊さずに直せた割合。Valsはこのテストが頭打ちだと表示
- SWE-bench Pro(Scale AI SEAL)— より難しい実在のリポジトリでの修正課題。V2は642課題
5順位をつけた AI
主要なAI:Claude, ChatGPT, Meta, Grok, Nemotron, Gemini, MiMo, Kimi, DeepSeek, Wenxin。それぞれが独自に10位までのリストを作り、各順位に出典を示しました。
6順位の決め方
AI ごとに表現が違っても同じ項目は一つとして数えました。より多くの AI がリストに入れ、より上位に置いた項目ほど順位が高くなります。「AI の一致」は、その項目を自分のリストに入れた AI の数を示します。出典は AI 自身が見つけたものだけで、手作業での追加はありません。
05各 AI のリスト
🇺🇸 Claude10 位まで · メモ 4 件
同じ質問に Claude だけが答えたものです。上の最終リストはすべての AI をまとめています。
- 1Claude Opus 5
SWE-bench Verifiedで97.00%の1位です。壊すより直すほうが多く、グーグルの追跡ではClaudeが攻撃者のツールとして挙げられていませんでした。
- 2GPT-5.6 Sol
CyberBench v1では88.14%でしたが、v1.1では76.31%に下がりました。テスト版の違いが結果にどれほど影響するかがわかります。
- 3DeepSeek V4 Pro
SWE-bench Verifiedで96.40%の2位です。重みを公開しているモデルと同じクラスで、攻撃者も自分で動かせるモデルです。
- 4Claude Mythos 5
BenchLMの修正表では95.5%で2位ですが、Mythos固有の攻撃の数値は見つかりませんでした。
出典 ↗ - 5Gemini 4 Argon
CyberBenchではGPT-6 Solにわずか0.12ポイント差です。同じ会社は、防御用のツールBig SleepとCodeMenderも作っています。
- 6GPT-6 Sol
CyberBench v1.1で2位です。私の情報源にはSWE-benchの数値はありませんでした。
- 7Wonder(エージェント構成)
CyberBench v1.1で80.36%の首位ですが、修正のスコアは見つかりませんでした。
- 8Claude Fable 5
BenchLMの修正表で95%。OpusやMythosモデルに近い水準です。
出典 ↗ - 9サンフォー AI Agent(DeepSeek-V4-Flash搭載)
1つの報告ではCyberGymで93.2%とされていますが、9月の論文で検証された63.24%と食い違います。
出典 ↗ - 10マイクロソフト MDASH エージェント
2026年5月、CyberGymで88.45%と報告されました。
出典 ↗
Claude が気づいたこと
CyberGymの初期のスコアは低く、論文中で最も良い単一試行の結果は17.9%でした。GPT-5は、推論に使う労力を増やすことで7.7%から22.0%に上がりました。
実行の仕組み(ハーネス)によって結果はモデルと同じくらい大きく変わります。Semgrepでは、同じモデルが仕組みを改善して25%から73%に上がりました。
バークレーRDIは、Claude Sonnet 4.5がCyberGymで1回の実行では28.9%、30回の試行では66.7%だったと報告しています。
グーグルの脅威分析チーム(GTIG)は、攻撃者がAIを主にn-dayの作業に使っていると述べています。たとえばパッチや概念実証コードの分析です。中国と関連するUNC2814と北朝鮮のAPT45が、脆弱性の調査にAIを使ったとも報告しています。