CyberArena 评测揭示Agent攻防分层

发生了什么

据新浪科技报道，来自2077AI、UC Berkeley RDI、UC Santa Cruz、UCSB等机构的研究团队共同设计CyberArena，让12款前沿模型与harness组合在真实攻防中对抗。研究共完成22个批次、466场有效对局，GPT-5.6 Sol以78.6分位列第一，Claude Opus 5以73.8分位列第二，GLM-5.3以68.5分位列第三。研究团队还通过潜变量能力建模拆解攻击、防守与服务可用性，并自动审计出2,397条具体失误记录，指出虚假修复、不完整修补、sleep挂机等问题。