众力资讯网

AI攻防拿了第一,高分不等于真本事,它凭什么这么稳

360的图龙锋在CyberGym上拿到99.4%的漏洞复现成功率,排在第一。这个分数很高,但我不想只盯着第一看,我更想知道它为什么能稳。安全这行,一次高分可能是运气,能反复站住才说明点问题。
先说这个榜到底考什么。CyberGym是加州大学伯克利分校团队推出的基准,论文被ICLR 2026收录。它的题不是自己编的,是从OpenSSL、FFmpeg、nginx、cURL等188个真实开源项目里,挑了1507个历史漏洞来做任务,规模大概是同类基准的7.5倍。

评测也不是让你猜漏洞在哪。它要的是定位、构造PoC、真正复现,一步一步跑通。按公开信息,图龙锋三轮独立评测分别是99.27%、99.47%、99.40%,均值99.38%。这个稳定性比单次99.4%更值得看。
同榜还有OpenAI GPT-5.5-Cyber、Anthropic Claude Mythos Preview、Google Gemini 3.8 Flash Cyber。CyberGym刚发布时,最好的组合OpenHands加Claude 3.7 Sonnet成功率只有11.9%。从11.9%到99.4%,差的肯定不只是模型参数。

那差的是什么。得看人以前的底子。2017年Pwn2Own温哥华站,360用90秒跑通Edge到Windows内核再到VMware逃逸的攻击链,63分拿了Master of Pwn。台上是90秒,台下是无数次试错,这种判断力不是背题背出来的。
2020年龚广的“梯云纵”拿了Pwnie Awards史诗级成就奖。项目不同,技术不同,但核心逻辑差不多:在没有标准答案的地方自己找路。再加上累计协助修复CVE超过3000个,长期和陌生代码、复杂系统打交道,才会形成那种“该往哪看”的直觉。

公开的漏洞报告有个问题:它有结果,没过程。CVE和NVD会告诉你这是什么漏洞,却很少告诉你当初怎么找到的、试过哪些错、为什么换工具。就像看别人考完的答案,只有对错,没有草稿纸。
360手里的两类东西更关键。一类是真样本,来自真实环境的安全样本;另一类是真经验,包括分析路径、工具调用、试错调整的过程数据。公开语料谁都能拿,这种过程性语料,只有长期在一线干活的人才有。
工程上,据披露是双轮结构:安全领域大模型定方向,专业智能体蜂群做执行。专家模型用“反向教学”把能力迁移给通用模型,蜂群再拆任务,分析代码、调用工具、生成PoC、验证、反馈重试。模型决定往哪看,智能体决定怎么走,缺一个都会在海量代码前跑偏。
还有一个自进化的细节。有一次沙箱拦截后,系统自己复盘,自己补规则,然后在受控环境里生效,不需要人工一步步教。这个事的意义在于,它不只是工具,而是能从错误里积累的系统。安全AI越用越强,靠的就是这种修正能力。

落地数据也不少。据披露,2026年6月发布至今累计发现漏洞超过1.5万个,500余家企业接入;还发现过潜伏Windows 5年、Office 8年的漏洞,并获微软致谢。2026年10月通过中国信通院首批“漏洞挖掘智能体能力评估”,为全国唯一,这属于第三方评估信息。
360还是CNNVD核心级技术支撑单位,报送漏洞百万级。2018年中央网信办文章里就提到过360的自动漏洞挖掘系统,说明这条路不是临时起意。不过这些成绩里,有些是企业披露,有些是媒体转述,看的时候要分开。

冷思考也不能少。188个开源项目能不能代表真实世界的全部攻击面,这是个问号。Agent有随机性,三轮稳定是加分项,但换个任务分布还稳不稳,也得再看。靶场成绩和真实攻防之间,仍然有距离。
还有透明度的问题。商业产品披露有限,外界很难完全复现它的全部能力。再加上AI正从“回答问题”走向“执行任务”,智能体和具身智能把安全边界从虚拟推向物理世界,需求只会更大。今天的99.4%,明天可能被新漏洞拉低,保持领先比拿第一更难。

九年前Pwn2Own台上领奖的是人,九年后榜单上跑分的是AI系统。变的是挖漏洞的方式,不变的是专家积累。AI的意义不是替代专家,而是把原本属于少数人的本事,变成可规模复制的系统能力。99.4%是结果,过程数据和闭环才是原因。