CyberGym
用于评测AI模型网络安全能力的公开基准，重点考察模型在漏洞发现与利用链各环节的自动化能力
核心事实
时间轴 (近 90 天)
Meta 报告 Muse Wonder 在网络能力方面 CyberGym 为 88.4%、ExploitBench 为 58.9%、ExploitGym 为 92 个捕获旗标。
在CyberGym基准上，Mistral Large 4以82分在所有开源模型中排名第一，领先MIMO、Grok、GLM 5.3、Kimi K3等
在 CyberGym 基准上，Mistral Large 4 拿到 82 分，是所有开源模型中的第一名，超过 MIMO、Grok、GLM 5.3、Kimi K3 等模型
DeepSWE、CyberGym和Automation Bench分别对应软件工程、网络安全和自动化智能体任务的评测
发布方宣称DeepSeek-V4.1-Flash在DeepSWE、CyberGym和Automation Bench三项基准测试中表现优于Opus 5和GPT-5.6 Sol
CyberGym 是一个托管在 GitHub 上的公开网络安全能力基准测试，用于评估AI在漏洞发现、利用等任务上的能力
GLM-5.3在CyberGym安全能力基准上得分84.5
CyberGym是专门评估AI模型在网络安全和代码安全审查领域能力的基准框架，涵盖漏洞检测、恶意代码识别、安全配置审计、依赖项风险评估等维度
全部知识事实 (6)
CyberGym是专门评估AI模型在网络安全和代码安全审查领域能力的基准框架，涵盖漏洞检测、恶意代码识别、安全配置审计、依赖项风险评估等维度
65%待验证GLM-5.3在CyberGym安全能力基准上得分84.5
60%待验证Meta 报告 Muse Wonder 在网络能力方面 CyberGym 为 88.4%、ExploitBench 为 58.9%、ExploitGym 为 92 个捕获旗标。
50%待验证发布方宣称DeepSeek-V4.1-Flash在DeepSWE、CyberGym和Automation Bench三项基准测试中表现优于Opus 5和GPT-5.6 Sol
50%待验证DeepSWE、CyberGym和Automation Bench分别对应软件工程、网络安全和自动化智能体任务的评测
50%待验证CyberGym 是一个托管在 GitHub 上的公开网络安全能力基准测试，用于评估AI在漏洞发现、利用等任务上的能力
50%