Собственная статья CyberGym ставила лучшего агента на 11,9% (ранняя версия) и 22,0% (финальная версия). Производители теперь заявляют 93–97% на том же наборе тестов: TrendAI — 97%, а по собственным данным MiMo-V2.6-Flash от Xiaomi — 95,1%.
Лучший ИИ для кибербезопасности 2026: тесты на взлом и на исправление
В собственной статье CyberGym лучший ИИ-агент воспроизвёл не более 22% реальных уязвимостей, а производители теперь заявляют 95–97% на тех же 1 507 ошибках.
- №1: GPT-6 Sol (OpenAI)
- 10 мест
01Итоговый список
Ведущие ИИ независимо составили свои списки из десяти мест. Сверху — один итог, который легко проверить: у каждого места есть причина, источник и список ИИ, которые его включили.
Порядок: от большего согласия ИИ к меньшему.
Яркая плашка — этот ИИ включил пункт в свой список. Тусклая — не включил.
- 1
GPT-6 Sol (OpenAI)
Второй в CyberBench v1.1 — 77,98%, и около 69% в Artificial Analysis Cyber Index в закрытой по доступу форме Daybreak Blue. Результат по исправлению не найден.
Включили: Claude, Meta, Grok, DeepSeek. Не включили: ChatGPT, Nemotron, Gemini, MiMo, Kimi, Wenxin.В их списках: Claude: 6 · Meta: 2 · Grok · DeepSeek: 5
Что отметил каждый ИИ 1
- Claudeместо 6
Второе место в CyberBench v1.1, цифр по SWE-bench в моих источниках нет.
4 ИИ поставили сюда - 2
Muse Wonder (Meta)
Лидирует в Vals CyberBench v1.1 с 80,36% и набирает 96,7% в SWE-bench Pro V2 Full, так что силён и во взломе, и в исправлении. В одном списке «Wonder Full» указано 73,6%.
Включили: Claude, Meta, Grok, DeepSeek. Не включили: ChatGPT, Nemotron, Gemini, MiMo, Kimi, Wenxin.В их списках: Claude: 7 · Meta: 1 · Grok: 7 · DeepSeek: 4
Что отметил каждый ИИ 1
- Claudeместо 7
Первое место в CyberBench v1.1 с 80,36%, но оценок исправлений для неё я не нашёл.
4 ИИ поставили сюда - 3
Gemini 4 Argon (Google)
Набирает 77,86% в CyberBench, на 0,12 пункта отстаёт от GPT-6 Sol, плюс 65–68% в исправлении по CWE-bench. Это одна из немногих моделей, оценённых с обеих сторон.
Включили: Claude, Meta, Grok, DeepSeek. Не включили: ChatGPT, Nemotron, Gemini, MiMo, Kimi, Wenxin.В их списках: Claude: 5 · Meta: 3 · Grok: 3 · DeepSeek: 10
Что отметил каждый ИИ 1
- Claudeместо 5
Всего на 0,12 балла позади GPT-6 Sol в CyberBench. Компания также делает инструменты защитников: Big Sleep и CodeMender.
4 ИИ поставили сюда - 4
DeepSeek V4 (Pro и V4.1 Flash)
С открытыми весами: V4 Pro исправляет 96,40% в SWE-bench Verified, а V4.1 Flash набирает 73,69% в CyberBench, стоя меньше $3 за один прогон, против примерно $22 у GPT-6 Sol.
Включили: Claude, Grok, Kimi, DeepSeek. Не включили: ChatGPT, Meta, Nemotron, Gemini, MiMo, Wenxin.В их списках: Claude: 3 · Grok: 4 · Kimi: 9 · DeepSeek: 7
Что отметил каждый ИИ 1
- Claudeместо 3
Второе место в SWE-bench Verified с результатом 96,40%: модель уровня открытых весов, которую атакующие могут запускать сами.
4 ИИ поставили сюда - 5
Claude Opus 5 (Антропик)
Лучший измеренный исправитель по таблицам SWE-bench Verified двух издателей (97,00% у Vals, 96% у BenchLM). Vals считает этот тест исчерпанным, а результата по взлому для этой модели нет.
Включили: Claude, MiMo, Kimi. Не включили: ChatGPT, Meta, Grok, Nemotron, Gemini, DeepSeek, Wenxin.В их списках: Claude: 1 · MiMo: 1 · Kimi: 3
Что отметил каждый ИИ 1
- Claudeместо 1
Первое место в SWE-bench Verified с результатом 97,00%: она исправляет больше, чем ломает. Трекер Google не назвал Claude среди инструментов атакующих.
3 ИИ поставили сюда - 6
Claude Fable 5.2 (Антропик)
Лучший по исправлению: 75% в CWE-bench v2, прогон сделали сопровождающие бенчмарка, на 7 пунктов впереди Gemini 4 Hydrogen. Также набирает 93% в SWE-bench Pro, а результата по взлому не опубликовано.
Включили: Meta, Grok, Kimi. Не включили: Claude, ChatGPT, Nemotron, Gemini, MiMo, DeepSeek, Wenxin.В их списках: Meta: 5 · Grok: 1 · Kimi: 1
3 ИИ поставили сюда - 7
Claude Mythos 5 (Антропик)
Исправляет 95,5% в SWE-bench Verified, но в ExploitGym решает только 38,1% против 48,5% у GPT-6 Cyber. Профиль склоняется к защите, хотя каждая лаборатория использовала свою настройку тестов.
Включили: Claude, MiMo, Kimi. Не включили: ChatGPT, Meta, Grok, Nemotron, Gemini, DeepSeek, Wenxin.В их списках: Claude: 4 · MiMo: 2 · Kimi: 6
Что отметил каждый ИИ 1
- Claudeместо 4
Второе место в таблице исправлений BenchLM с 95,5%, но цифр по эксплойтам Mythos я не нашёл.
Источник ↗
3 ИИ поставили сюда - 8
GPT-6 Cyber (OpenAI)
Специалист по взлому: 48,5% в ExploitGym и 100% в ExploitBench, оба результата сообщила OpenAI. Доступна только после проверки личности, а результата по исправлению не опубликовано.
Включили: Meta, Grok, Kimi. Не включили: Claude, ChatGPT, Nemotron, Gemini, MiMo, DeepSeek, Wenxin.В их списках: Meta: 8 · Grok: 2 · Kimi: 4
3 ИИ поставили сюда - 9
Claude Opus 5.5 (Антропик)
Первая в Vals CyberOffense по сетевым атакам — 77,1%, и исправляет 89,9% в SWE-bench Pro. Её результат в CyberBench — 55,36% или 74,6%, в зависимости от таблицы Vals.
Включили: Meta, Grok, DeepSeek. Не включили: Claude, ChatGPT, Nemotron, Gemini, MiMo, Kimi, Wenxin.В их списках: Meta: 4 · Grok: 8 · DeepSeek: 9
3 ИИ поставили сюда - 10
Kimi K3.1 Pro (Moonshot AI)
Наивысший балл в Artificial Analysis Cyber Index на обычном публичном API — 64,1%, и 94,7% в CyberGym-E2E-AA, выше, чем 93% у закрытой GPT-6 Sol Daybreak Blue.
Включили: Meta, Grok. Не включили: Claude, ChatGPT, Nemotron, Gemini, MiMo, Kimi, DeepSeek, Wenxin.В их списках: Meta: 6 · Grok: 6
2 ИИ поставили сюда
02Стоит знать
Что заметили ИИ, пока составляли список.
Настройка тестов двигает результаты так же сильно, как сама модель: в одном случае Semgrep увидела, как модель выросла с 25% до 73% при лучшей настройке.
Версии тестов несопоставимы: GPT-5.6 Sol упала с 88,14% в CyberBench v1 до 76,31% в v1.1. Vals также считает отказы отвечать провалами.
Оценки исправления тоже завышены: OpenAI перестала публиковать SWE-bench Verified после того, как аудит нашёл существенные дефекты тестов в 59,4% проверенных ею сложных задач.
Атакующие в реальности используют открытые программы для ИИ-агентов (ARTEX, CAIRN, PentAGI, CyberStrikeAI, exploit_agent), а не модели из верхних строк рейтингов. ФБР говорит, что ARTEX получил доступ с расширенными правами менее чем за три часа.
03Что спрашивают люди
Какой ИИ лучше всего для кибербезопасности?
Одной модели-победителя нет. Muse Wonder лидирует в Vals CyberBench v1.1 с 80,36%, а Claude Fable 5.2 — в исправлении по CWE-bench v2 с 75%.
Какая ИИ-модель лучше всего для кибербезопасности?
Всё зависит от задачи. Для исправления реальных ошибок Claude Opus 5 лидирует в SWE-bench Verified с 97,00%; для имитации сетевых атак Claude Opus 5.5 лидирует в Vals CyberOffense с 77,1%.
Какая акция лучшая для кибербезопасности на базе ИИ?
Бенчмарки ранжируют модели, а не акции. Аналитики Wedbush назвали главными выборами в кибербезопасности CrowdStrike (целевая цена $250) и Palo Alto Networks (целевая цена $400).
Источник ↗Какой сертификат по кибербезопасности с ИИ лучший?
CompTIA SecAI+ (CY0-001), запущенный 17 февраля 2026 года, — это стартовая ступень именно по ИИ: до 60 вопросов за 60 минут, рассчитан на людей с несколькими годами работы в безопасности.
Источник ↗04Как считали
Простыми словами, без формул.
1Вопрос
Топ-10 ИИ-моделей для кибербезопасности: навык атаки против навыка исправления
2Почему эта тема
Читатель видит вместе оценки атаки, оценки защиты и то, что наблюдали в реальных атаках. Так он узнаёт, какие модели больше всего помогают защитникам и почему один и тот же тест даёт очень разные ответы в зависимости от того, кто его проводит.
3Где это применимо
Весь мир; передовые ИИ-модели и настройки агентов, проверенные на реальных уязвимостях программ
4На что смотрели
- Доля успешного воспроизведения реальных уязвимостей в лаборатории (CyberGym, Vals.ai CyberBench)
- Доля успешно созданных рабочих исправлений без поломок для реальных ошибок в коде (семейство SWE-bench)
- Нужен ли человек, чтобы довести задачу до конца
- Насколько стабильны оценки модели между версиями теста и издателями
- Vals.ai CyberBench v1.1 — воспроизведение уязвимости (60 задач) и исправления, которые не ломают остальной код (56 задач), на реальных ошибках OSS-Fuzz; несопоставим с v1
- CWE-bench v2 (через BenchLM) — исправление уязвимостей по типам слабостей; прогон делают сопровождающие бенчмарка
- SWE-bench Verified (Vals, BenchLM) — доля реальных ошибок открытого кода, исправленных без поломки других тестов; Vals считает тест исчерпанным
- SWE-bench Pro (Scale AI SEAL) — более сложные задачи исправления в реальных репозиториях; в V2 — 642 задачи
5Кто ставил места
Ведущие ИИ: Claude, ChatGPT, Meta, Grok, Nemotron, Gemini, MiMo, Kimi, DeepSeek, Wenxin. Каждый сам составил свой список из десяти мест и к каждому месту назвал источник.
6Как сведены места
Одно и то же, названное разными ИИ по-разному, считали за одно. Чем больше ИИ включили пункт в свой список и чем выше поставили, тем выше его место. «Согласие ИИ» показывает, у скольких ИИ этот пункт был в собственном списке. Источники — только те, что нашли сами ИИ, ничего не добавлено вручную.
05Список каждого ИИ отдельно
🇺🇸 Claude10 мест · заметок: 4
Тот же вопрос, ответ одного ИИ — Claude. Итоговый список выше объединяет все ИИ.
- 1Claude Opus 5
Первое место в SWE-bench Verified с результатом 97,00%: она исправляет больше, чем ломает. Трекер Google не назвал Claude среди инструментов атакующих.
- 2GPT-5.6 Sol
Упал с 88,14% в CyberBench v1 до 76,31% в v1.1. Это показывает, насколько важна версия теста.
- 3DeepSeek V4 Pro
Второе место в SWE-bench Verified с результатом 96,40%: модель уровня открытых весов, которую атакующие могут запускать сами.
- 4Claude Mythos 5
Второе место в таблице исправлений BenchLM с 95,5%, но цифр по эксплойтам Mythos я не нашёл.
Источник ↗ - 5Gemini 4 Argon
Всего на 0,12 балла позади GPT-6 Sol в CyberBench. Компания также делает инструменты защитников: Big Sleep и CodeMender.
- 6GPT-6 Sol
Второе место в CyberBench v1.1, цифр по SWE-bench в моих источниках нет.
- 7Wonder (настройка агента)
Первое место в CyberBench v1.1 с 80,36%, но оценок исправлений для неё я не нашёл.
- 8Claude Fable 5
95% в таблице исправлений BenchLM, близко к моделям Opus и Mythos.
Источник ↗ - 9Сангфор, ИИ-агент на DeepSeek-V4-Flash
По одному отчёту: 93,2% в CyberGym. Это странно выглядит рядом с подтверждённым 63,24% в сентябрьской статье.
Источник ↗ - 10агент Microsoft MDASH
В мае 2026 года сообщено 88,45% в CyberGym.
Источник ↗
Что заметил Claude
Ранние результаты CyberGym были низкими: 17,9% — лучший одиночный результат в статье. GPT-5 вырос с 7,7% до 22,0% при большем объёме рассуждений.
Обвязка агента (среда, в которой он работает) может сдвинуть результаты так же сильно, как сама модель: Semgrep увидела, как одна модель выросла с 25% до 73% с лучшей обвязкой.
Berkeley RDI сообщил, что Claude Sonnet 4.5 получил 28,9% в CyberGym в одном прогоне, а при 30 попытках — 66,7%.
GTIG говорит, что атакующие используют ИИ в основном для работы с уже известными уязвимостями (n-days): анализа патчей и рабочих примеров атак. Связанные с Китаем UNC2814 и APT45 из Северной Кореи, по её словам, использовали ИИ для поиска уязвимостей.