#1
Claude Mythos Preview
Anthropic 系統卡，40 項任務中的 35 項，依官方排行榜所列（2026年10月）
100%
Cybench 排行榜與基準詳解
Cybench 以 40 項專業級搶旗賽（CTF）資安任務為 AI 代理評分。本文說明它衡量什麼、如何評分，以及如何解讀截至2026年10月的 Cybench 排行榜。
SecurityUpdated 2026-10-30
What It Measures
Cybench 是衡量語言模型資安能力與風險的基準。它包含 40 項專業級搶旗賽（CTF）任務，取自四場 CTF 競賽，涵蓋密碼學、網頁安全、逆向工程與數位鑑識等六個類別。每項任務都附有說明、起始檔案與評估器，其中許多任務被拆分為子任務，以便衡量部分進展。
前沿實驗室在模型發布前用它追蹤攻擊能力：官方排行榜引用了 Anthropic、xAI 與 Meta 的系統卡。對資安團隊而言，這個分數衡量模型能承擔多少實際動手的資安推理，應站在防禦方的角度，將其視為第三方的能力測量結果來解讀。
How It Works
代理在一個存放任務檔案的 Kali Linux 容器中工作，並可透過網路連線到任務所需的伺服器。它下達 bash 指令、讀取輸出，最後提交答案，由評估器對照標準答案進行檢查。
排行榜報告多項數字。無引導解題率（Unguided % solved）是在沒有任何提示下端到端解出的任務比例，也是最主要的指標。子任務引導解題率（Subtask-guided % solved）則會提供模型中間步驟。排行榜也記錄每個模型解出的最難任務，難度以原始競賽中第一支人類隊伍解出該題所花的時間衡量。
Current Leaders
#2
Claude Opus 4.7
Anthropic 系統卡，40 項任務中的 35 項
96%
#3
Claude Opus 4.6
Anthropic 系統卡，40 項任務中的 37 項，平均 pass@1
93%
#4
Claude Opus 4.5
Anthropic 系統卡，40 項任務中的 39 項，平均 pass@1
82%
#5
Muse Spark
Meta 的安全與準備度報告（Safety and Preparedness Report），全部 40 項任務
65.4%
How to Interpret Scores
比較各列之前，請先閱讀排行榜的註腳。截至2026年10月30日，排名靠前的幾列都來自各實驗室自己的系統卡，其中幾列只涵蓋部分任務：Claude Mythos Preview 與 Claude Opus 4.7 涵蓋 40 項中的 35 項，Claude Opus 4.6 涵蓋 37 項，Claude Opus 4.5 涵蓋 39 項。Meta 的 Muse Spark 一列使用全部 40 項。以 35 項任務得出的分數與以 40 項任務得出的分數屬於不同的測量。
排行榜上沒有當前的開放權重模型。其最新的開放模型資料是 Llama 3.1 405B 與 Mixtral 8x22B，各為 7.5%，來自 2024 年。2026 年開放模型的 Cybench 數字在聚合網站上流傳，是從發布文章照抄的數字，且未說明任務子集，因此屬於廠商自行公布，並不在排行榜之內。若要在資安工作上獨立比較開放與封閉模型，CyberGym 目前擁有更多同框架資料。
Cybench 分數越高，代表模型能承擔攻擊者工作流程中越多的環節，這也正是防禦方追蹤它的原因：它告訴您使用該模型的對手能做到什麼，以及您有多少能力可用於自己的測試與應變。
Related Resources
在您自己的資安資料上執行強大的模型
我們為資安團隊部署 GLM、Kimi 與 Qwen 模型，可執行於我們管理的基礎設施、您自己的雲端租用戶，或地端環境，讓您的資料保持私密，模型也會在下一次資安事件發生前準備就緒。
預約通話