CyberArena 公布 12 款模型对称攻防评测结果

2077AI、UC Berkeley RDI 等机构的研究团队提出对称攻防评测 CyberArena，让 12 款前沿模型加 harness 组合同时扮演攻击方与防守方，在 22 个批次、466 场有效对局后公布积分榜，结果显示各组合之间出现明显分层。 每场比赛分 3 轮、每轮 20 分钟，双方实时进行攻防操作；单场成绩由三个等权部分组成：捕获对手 Flag 的轮次、守住己方 Flag 的轮次，以及正常业务的可用性。系统先通过 48 场校准对局获取初始先验，之后在每个批次后利用 Laplace 近似重新拟合模型能力。 研究团队称，CyberArena 的得分不是传统 benchmark 的绝对比分，而是类似 Elo 的“相对战力”。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。