网络安全的AlphaGo时刻,或从这466场Agent对局开始

最近翻各家大厂的技术报告，很容易生出一种错觉：大模型好像已经把人类的网络安全防线打穿了。NYU CTF、Cybench、CyberGym 排行榜上，不管闭源大厂还是开源新秀，漏洞解决率动不动就 80% 往上。

问题是，这些分数基本都来自单机答题（Jeopardy）模式。靶机就杵在那儿，不打补丁，不重启断连，更不会顺着流量反打回来。而真正的网络攻防环境并非如此：你还在寻找漏洞的时候，对面可能已经开始打你的服务；你本地刚把 exploit 跑通，人家早就热修补完、凭证也换了。单机成绩和实战表现间的差距，就仿佛固定靶射击和真刀真枪的格斗之间的差距一样。

那么，这些 Agent 放到真实攻防里到底什么水平？为了回答这个问题，来自 2077AI、UC Berkeley RDI、UC Santa Cruz、UCSB 等机构的研究团队共同研究设计了 CyberArena ：12 款前沿模型 + harness 组合同场开打，每个 Agent 在扮演黑客攻破对手防御的同时，也要当运维保护自己服务的正常运行。

最终评测跑完 22 个批次、466 场有效对局后，积分榜呈现出相当明显的分层：OpenAI 的 GPT-5.6 Sol（跑在 OpenAI Codex 上）以 78.6 分位列第一，Anthropic 的 Claude Opus 5（跑在 Claude Code 上）以 73.8 分位列第二，紧随其后的是智谱的开源模型 GLM-5.3（68.5 分，跑在 OpenCode 上），其余模型的分数则分布在 56.3 到 67.1 分之间。

从整体格局来看，头两名展现出了断层式的优势：GPT-5.6 Sol 和 Claude Opus 5 的对局胜率分别达到了 0.83 和 0.86，而其余参赛选手的最高胜率仅为 0.59。

同时，团队发现这种在动态对抗中显露的差距在静态答题下很难看出。研究团队做了一组对比：在目标不设防、每题两次机会的单人模式下，40 道题里有 30 道题是 GPT-5.6 Sol、Claude Opus 4.8 和 GLM-5.3 都能完全解出的；但一旦把同样的 30 道题搬进双向对抗赛，防守方开始修漏洞，到了第 3 轮，三者的进攻捕获率分别暴跌到了 52%、37% 和 35%。

换句话讲，单机环境里看似十拿九稳的攻击，放进动态博弈里，有将近一半甚至六成以上都会被防守或者落空。

论文链接：https://arxiv.org/abs/2610.19005

项目主页：https://cyber-arena.ai

github：https://github.com/cyber-arena-ai/cyber-arena

具体实现上，CyberArena 彻底放弃了传统单机做题的做法，参考网络安全中常有的攻防夺旗（Attack and defence catch-the-flag）游戏形式，搭建了一套对称式攻防竞技场。

每场比赛分为 3 轮，每轮 20 分钟，轮内双方攻防操作实时进行。每轮开始时，平台会往双方环境中埋入新目标（覆盖读取、写入、执行等权限），上一轮被拿走的 Flag 在本轮失效；与此同时，防守方上一轮部署的代码补丁会一直保留。

这就意味着，攻击方不能靠一个脚本吃遍整场，防守方一旦修好了漏洞，对手就必须另寻出路。

责任编辑：李斌

文章来源：http://www.anfangnews.com/2026/1104/17470.shtml