返回今日热点: 有些黑客用AI代理,把公开的软件修复变成攻击
Poly 榜单 · 来自今日热点

2026年网络安全AI排行:攻击与修复得分对比

在CyberGym自己的论文中,最好的AI智能体最多只能复现22%的真实漏洞,而厂商现在在同一套1,507个漏洞上宣称达到95–97%。

  • 第1名:GPT-6 Sol(OpenAI)
  • 10 个名次

01最终榜单

领先的 AI 各自独立编制了十项榜单。这里是一份便于核对的汇总:每个名次都有理由、来源,以及列入它的 AI。

排序依据:按 AI 认同度从高到低。

亮色标签表示该 AI 把这一项列入了自己的榜单,暗色标签表示没有。

  1. 1

    GPT-6 Sol(OpenAI)

    在CyberBench v1.1上以77.98%位居第二;在Artificial Analysis网络安全指数的受限版Daybreak Blue形式下约为69%。未找到修复基准的得分。

    已列入: Claude, Meta, Grok, DeepSeek. 未列入: ChatGPT, Nemotron, Gemini, MiMo, Kimi, Wenxin.

    在各自榜单中的名次: Claude: 6 · Meta: 2 · Grok · DeepSeek: 5

    每个 AI 的看法 1
    • Claude第 6 名

      在CyberBench v1.1上居第二,我的资料中没有SWE-bench成绩。

    4 个 AI 列入此名次
  2. 2

    Muse Wonder(Meta)

    在Vals CyberBench v1.1上以80.36%居首,在SWE-bench Pro V2 Full上得分96.7%,攻与守两方面都很强。一份“Wonder Full”榜单显示为73.6%。

    已列入: Claude, Meta, Grok, DeepSeek. 未列入: ChatGPT, Nemotron, Gemini, MiMo, Kimi, Wenxin.

    在各自榜单中的名次: Claude: 7 · Meta: 1 · Grok: 7 · DeepSeek: 4

    每个 AI 的看法 1
    • Claude第 7 名

      在CyberBench v1.1上以80.36%居首,但我没有找到它的修复成绩。

    4 个 AI 列入此名次
  3. 3

    Gemini 4 Argon(谷歌)

    在CyberBench上得分77.86%,比GPT-6 Sol低0.12分;在CWE-bench补丁测试中得65–68%。它是为数不多在攻防两端都有成绩的模型之一。

    已列入: Claude, Meta, Grok, DeepSeek. 未列入: ChatGPT, Nemotron, Gemini, MiMo, Kimi, Wenxin.

    在各自榜单中的名次: Claude: 5 · Meta: 3 · Grok: 3 · DeepSeek: 10

    每个 AI 的看法 1
    • Claude第 5 名

      在CyberBench上仅落后GPT-6 Sol 0.12分;该模型来自同时开发防御工具Big Sleep和CodeMender的公司。

    4 个 AI 列入此名次
  4. 4

    深度求索 V4(Pro和V4.1 Flash)

    开源权重:V4 Pro在SWE-bench Verified上修复率为96.40%,V4.1 Flash在CyberBench上得73.69%,每次运行成本不到3美元,而GPT-6 Sol约为22美元。

    已列入: Claude, Grok, Kimi, DeepSeek. 未列入: ChatGPT, Meta, Nemotron, Gemini, MiMo, Wenxin.

    在各自榜单中的名次: Claude: 3 · Grok: 4 · Kimi: 9 · DeepSeek: 7

    每个 AI 的看法 1
    • Claude第 3 名

      在SWE-bench Verified上以96.40%居第二,属于开放权重级别的模型,攻击者可以自行运行。

    4 个 AI 列入此名次
  5. 5

    Claude Opus 5(Anthropic)

    在两家发布方的SWE-bench Verified榜单上,它是测得修复能力最强的模型(Vals为97.00%,BenchLM为96%)。Vals认为该测试已经饱和,而且这个模型没有攻击得分。

    已列入: Claude, MiMo, Kimi. 未列入: ChatGPT, Meta, Grok, Nemotron, Gemini, DeepSeek, Wenxin.

    在各自榜单中的名次: Claude: 1 · MiMo: 1 · Kimi: 3

    每个 AI 的看法 1
    • Claude第 1 名

      在SWE-bench Verified上以97.00%居首,说明它修复的漏洞多于它破坏的;谷歌的追踪报告也未将Claude列为攻击者的工具。

    3 个 AI 列入此名次
  6. 6

    Claude Fable 5.2(Anthropic)

    修复榜首:在CWE-bench v2上得分75%,由基准的维护者运行,比Gemini 4 Hydrogen高7分。它在SWE-bench Pro上也得93%,但未公布攻击得分。

    已列入: Meta, Grok, Kimi. 未列入: Claude, ChatGPT, Nemotron, Gemini, MiMo, DeepSeek, Wenxin.

    在各自榜单中的名次: Meta: 5 · Grok: 1 · Kimi: 1

    3 个 AI 列入此名次
  7. 7

    Claude Mythos 5(Anthropic)

    在SWE-bench Verified上修复率为95.5%,但在ExploitGym上仅为38.1%,GPT-6 Cyber则为48.5%。该模型偏向防御,不过各家实验室使用的测试框架各不相同。

    已列入: Claude, MiMo, Kimi. 未列入: ChatGPT, Meta, Grok, Nemotron, Gemini, DeepSeek, Wenxin.

    在各自榜单中的名次: Claude: 4 · MiMo: 2 · Kimi: 6

    每个 AI 的看法 1
    • Claude第 4 名

      在BenchLM的修复表中以95.5%居第二,但我没有找到Mythos专属的利用数据。

      来源 ↗
    3 个 AI 列入此名次
  8. 8

    GPT-6 Cyber(OpenAI)

    专攻攻击:在ExploitGym上为48.5%,在ExploitBench上为100%,两项均由OpenAI报告。仅在通过身份核验后才能使用,且未公布修复得分。

    已列入: Meta, Grok, Kimi. 未列入: Claude, ChatGPT, Nemotron, Gemini, MiMo, DeepSeek, Wenxin.

    在各自榜单中的名次: Meta: 8 · Grok: 2 · Kimi: 4

    3 个 AI 列入此名次
  9. 9

    Claude Opus 5.5(Anthropic)

    在Vals CyberOffense网络攻击项中以77.1%居首,在SWE-bench Pro上修复率为89.9%。根据Vals表格的不同,其CyberBench得分为55.36%或74.6%。

    已列入: Meta, Grok, DeepSeek. 未列入: Claude, ChatGPT, Nemotron, Gemini, MiMo, Kimi, Wenxin.

    在各自榜单中的名次: Meta: 4 · Grok: 8 · DeepSeek: 9

    3 个 AI 列入此名次
  10. 10

    Kimi K3.1 Pro(月之暗面)

    在标准公开API上,Artificial Analysis网络安全指数得分最高(64.1%);在CyberGym-E2E-AA上为94.7%,高于受限版GPT-6 Sol Daybreak Blue的93%。

    已列入: Meta, Grok. 未列入: Claude, ChatGPT, Nemotron, Gemini, MiMo, Kimi, DeepSeek, Wenxin.

    在各自榜单中的名次: Meta: 6 · Grok: 6

    2 个 AI 列入此名次

02值得了解

AI 在编制榜单时注意到的内容。

CyberGym自己的论文中,最好的智能体得分为11.9%(早期版本)到22.0%(最终版本)。厂商现在在同一套件上宣称93–97%:TrendAI为97%,小米的MiMo-V2.6-Flash自报95.1%。

提及者:
已列入: Claude, ChatGPT, Meta, Grok, Kimi. 未列入: Nemotron, Gemini, MiMo, DeepSeek, Wenxin.
来源 ↗

测试框架对得分的影响和模型本身一样大:有一例中,Semgrep发现同一模型换用更好的框架后,得分从25%升至73%。

提及者:
已列入: Claude. 未列入: ChatGPT, Meta, Grok, Nemotron, Gemini, MiMo, Kimi, DeepSeek, Wenxin.
来源 ↗

测试版本之间不可直接比较:GPT-5.6 Sol在CyberBench v1上为88.14%,到v1.1降至76.31%。Vals还把拒绝回答计为失败。

提及者:
已列入: Claude, ChatGPT, Kimi, DeepSeek. 未列入: Meta, Grok, Nemotron, Gemini, MiMo, Wenxin.
来源 ↗

修复得分同样有水分:OpenAI在一次审计中发现,其检查的困难任务里有59.4%存在实质性的测试缺陷,此后停止报告SWE-bench Verified。

提及者:
已列入: ChatGPT, DeepSeek. 未列入: Claude, Meta, Grok, Nemotron, Gemini, MiMo, Kimi, Wenxin.
来源 ↗

野外的攻击者运行的是开源智能体框架(ARTEX、CAIRN、PentAGI、CyberStrikeAI、exploit_agent),而不是排行榜上的顶尖模型。FBI称ARTEX在不到三小时内获得了特权访问权限。

提及者:
已列入: Meta, MiMo, Kimi. 未列入: Claude, ChatGPT, Grok, Nemotron, Gemini, DeepSeek, Wenxin.
来源 ↗

03大家常问的问题

网络安全方面最好的AI是哪一个?

没有哪款模型通吃。Muse Wonder在Vals CyberBench v1.1上以80.36%领先,而Claude Fable 5.2在CWE-bench v2修复测试中以75%领先。

网络安全方面最好的AI模型是哪一个?

要看任务而定。修复真实漏洞时,Claude Opus 5在SWE-bench Verified上以97.00%领先;模拟网络攻击时,Claude Opus 5.5在Vals CyberOffense上以77.1%领先。

最好的网络安全AI概念股是哪只?

基准测试评的是模型,不是股票。韦德布什把CrowdStrike(目标价250美元)和派拓网络(目标价400美元)列为其首选网络安全股票。

来源 ↗
最好的AI网络安全认证是什么?

CompTIA SecAI+(CY0-001)于2026年2月17日推出,是专门面向AI的入门认证:最多60题,限时60分钟,面向有几年安全工作经验的人。

来源 ↗

04我们如何统计

用大白话讲,不用公式。

1问题

网络安全方面十大AI模型:攻击能力与修复能力对比

2为什么选这个话题

读者可以同时看到攻击端得分、防御端得分以及真实攻击中的观察结果。他们能了解哪些模型最能帮助防御者,以及同一测试为何会因执行方不同而得出截然不同的结论。

3适用范围

全球;前沿AI模型及智能体配置,在真实软件漏洞上测试

4考量标准

  • 在实验室中复现真实漏洞的成功率(CyberGym、Vals.ai CyberBench)
  • 针对真实代码缺陷产出可用且不引入回归问题的修复的成功率(SWE-bench系列)
  • 完成任务是否还需要人工介入
  • 模型得分在不同测试版本和发布方之间的一致程度
  • Vals.ai CyberBench v1.1 — 概念验证复现(60项任务)和保持功能不被破坏的补丁(56项任务),针对真实的OSS-Fuzz漏洞;与v1不可直接比较
  • CWE-bench v2(经BenchLM)— 针对按弱点类型归类的漏洞的补丁测试,由基准的维护者运行
  • SWE-bench Verified(Vals、BenchLM)— 在不破坏其他测试的前提下修复真实开源漏洞的比例;Vals标注该测试已饱和
  • SWE-bench Pro(Scale AI SEAL)— 难度更高的真实代码仓库修复任务;V2使用642项任务

5谁来排名

领先的 AI:Claude, ChatGPT, Meta, Grok, Nemotron, Gemini, MiMo, Kimi, DeepSeek, Wenxin。每个 AI 独立编制自己的十项榜单,并为每个名次注明来源。

6名次如何确定

不同 AI 以不同说法写出的同一项被视为一项。把某项列入榜单的 AI 越多、排得越靠前,它的名次就越高。“AI 共识”表示有多少个 AI 在自己的榜单中列入了该项。来源仅限 AI 自己找到的,没有任何人工添加。

05各个 AI 的单独榜单

🇺🇸 Claude10 个名次 · 4 条备注

同一个问题,仅由 Claude 回答。上方的最终榜单综合了所有 AI。

  1. 1
    Claude Opus 5

    在SWE-bench Verified上以97.00%居首,说明它修复的漏洞多于它破坏的;谷歌的追踪报告也未将Claude列为攻击者的工具。

  2. 2
    GPT-5.6 Sol

    在CyberBench v1上为88.14%,到v1.1降至76.31%,说明测试版本的影响有多大。

  3. 3
    DeepSeek V4 Pro

    在SWE-bench Verified上以96.40%居第二,属于开放权重级别的模型,攻击者可以自行运行。

  4. 4
    Claude Mythos 5

    在BenchLM的修复表中以95.5%居第二,但我没有找到Mythos专属的利用数据。

    来源 ↗
  5. 5
    Gemini 4 Argon

    在CyberBench上仅落后GPT-6 Sol 0.12分;该模型来自同时开发防御工具Big Sleep和CodeMender的公司。

  6. 6
    GPT-6 Sol

    在CyberBench v1.1上居第二,我的资料中没有SWE-bench成绩。

  7. 7
    Wonder(智能体配置)

    在CyberBench v1.1上以80.36%居首,但我没有找到它的修复成绩。

  8. 8
    Claude Fable 5

    在BenchLM的修复表中为95%,接近Opus和Mythos模型。

    来源 ↗
  9. 9
    深信服 AI 智能体(基于 DeepSeek-V4-Flash)

    一份报告称其在CyberGym上为93.2%,但与9月一篇论文中经核实的63.24%对不上。

    来源 ↗
  10. 10
    微软 MDASH 智能体

    2026年5月的报告显示,其在CyberGym上为88.45%。

    来源 ↗

Claude 注意到的内容

CyberGym早期成绩很低:论文中单次试验的最好成绩仅为17.9%。GPT-5投入更多推理力度后,从7.7%升至22.0%。

智能体框架对结果的影响,可以和模型本身一样大:Semgrep看到一个模型换用更好的框架后,从25%升至73%。

伯克利RDI报告,Claude Sonnet 4.5在CyberGym上单次运行为28.9%,进行30次试验后升至66.7%。

GTIG称,攻击者使用AI主要用于n-day工作,例如分析补丁和概念验证代码。报告称,与中国有关联的UNC2814和朝鲜的APT45曾将AI用于漏洞研究。