#1
XekRung-1.5-27B-Preview
由 Alibaba Security 提交（2026年9月），據提交者表示以 Qwen3.8-27B 微調而成；以模型為主的項目
88.9%
CyberGym 排行榜與基準詳解
CyberGym 測試 AI 代理能否重現 1,507 個真實漏洞。本文說明它的運作方式、為何接近 99% 的分數需要謹慎解讀，以及截至2026年10月的 CyberGym 排行榜。
SecurityUpdated 2026-10-30
What It Measures
CyberGym 由 UC Berkeley 推出，衡量 AI 代理能否處理大型程式碼庫中的真實漏洞。它包含 1,507 個基準實例，以 188 個軟體專案中的歷史漏洞建構而成，這些漏洞皆由 Google 的持續模糊測試服務 OSS-Fuzz 發現。主排行榜（Level 1）提供代理漏洞描述與尚未修補的程式碼庫，要求它產生能觸發該漏洞的概念驗證（PoC）輸入。
它是 2026 年最常被引用的資安基準之一，OpenAI、Anthropic 與 Google DeepMind 都在系統卡中使用它。防禦方將其視為第三方測量，用來判斷模型能否以漏洞工作所需的深度對真實程式碼進行推理，而修補驗證與分流也需要同樣的 深度。
How It Works
每項任務都設定在修正之前的那個 commit 上。代理閱讀程式碼庫（可能多達數千個檔案），撰寫概念驗證，執行後依據執行回饋加以改進。當概念驗證在修補前的版本上觸發漏洞、在修補後的版本上不再觸發時，該任務即算解決。
排行榜區分以模型為主的項目與以代理為主的項目：前者由實驗室在標準代理下回報其模型的成績，後者由團隊打造自己的系統（通常包含多個模型、一個用來測試的含漏洞 Docker 映像檔，或在執行過程中更新的知識庫）。結果由各團隊自行提交，網站也註明執行結果具有隨機性，較小的分數差異未必反映真實的能力差距。
Current Leaders
#2
Gemini 3.8 Flash Cyber
由 Google 提交（2026年9月）
86.3%
#3
ASL-Cyber-Flash
由 Aeye Security Lab 提交（2026年9月），以 DeepSeek-V4-Flash 微調而成，在含漏洞的 Docker 映像檔上測試
85.9%
#4
GPT-5.5-Cyber
由 OpenAI 提交（2026年6月）
85.6%
#5
GLM-5.3
Z.ai 自己公布的數字（2026年8月）；Proximal 的獨立執行測得 82.8%，在其修正後的任務集上為 93.5%
84.5%
How to Interpret Scores
截至2026年10月30日，代理系統占據排行榜前段，由 Qihoo 360 的 TuLongFeng 以 99.4% 領先。在以模型為主的項目中，排名第一的是 XekRung-1.5-27B-Preview，得分 88.9%，其提交者 Alibaba Security 表示該模型以 Qwen3.8-27B 微調而成。依提交者的描述，以模型為主的前三列中有兩列是開放模型的微調版本。以上結果皆為自行提交。
此基準已接近飽和。Proximal 在同一評測框架中執行四個模型（2026年9月30日），發現評分器誤判了部分任務，從 1,507 項中移除 227 項後重新評分。Kimi K3 從 81.9% 升至 95.6%，GLM-5.3 從 82.8% 升至 93.5%，GPT-5.6 Sol 從 80.7% 升至 91.1%，Claude Fable 5.1（以 Opus 5 作為備援）從 81.0% 升至 87.8%。Proximal 在關閉封閉模型標準資安護欄的情況下執行它們，因此這項比較衡量的是排除拒答因素後的能力。請注意，Z.ai 自己公布的 GLM-5.3 原始基準分數為 84.5%，而 Proximal 測得 82.8%；引用數字時請一併註明來源。
給防禦方的重點：在一次獨立的同框架執行中，大型開放權重模型在此任務上與最好的封閉模型並駕齊驅，甚至領先。分數如此接近上限，前段各列之間的些微差異意義不大。
Related Resources
在您自己的資安資料上執行開放模型
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。您的程式碼與遙測資料保持私密，使用成本也更可預測。
預約通話