从公开可查的评测信息看,360 自研 AI 安全攻防系统 "图龙锋" 目前有明确公开记录的成绩来自 CyberGym 基准测试:在 1507 个真实漏洞任务中经过三轮独立评测,成功率分别为 99.27%、99.47% 和 99.40%,平均成功率约 99.38%(媒体报道口径约 99.4%),登顶该榜单并刷新纪录;同时图龙锋已通过中国信通院漏洞挖掘智能体能力评估。需要特别区分的是,ExploitGym 是另一个网络安全智能体基准,考察的是把已知漏洞触发输入逐步扩展成完整可用利用链的能力,目前公开汇编榜单前列为 Gemini 4 Carbon、GPT-6 Cyber、GPT-6 Astra 等模型,暂未检索到 360 模型在 ExploitGym 上的排名记录。因此 "360 安全大模型登 ExploitGym 中国榜首" 这一说法目前缺少公开评测依据,应与 CyberGym 的登顶成绩分开看待,不宜把两个基准的结果混为一谈。
一、CyberGym 与 ExploitGym 是两个不同基准
| 对比项 | CyberGym | ExploitGym |
|---|---|---|
| 基准定位 | AI 安全攻防综合评测,贴近真实工业防护场景 | 网络安全智能体漏洞利用能力基准 |
| 考察重点 | 海量源码、复杂上下文、多阶段对抗下的自主推理、漏洞复现与 PoC 验证 | 给定已触发已知漏洞的输入,逐步扩展为能取回目标 flag 的完整 exploit |
| 任务覆盖 | 主流开源软件与高难度历史漏洞 | 用户态程序、Google V8 引擎、Linux 内核等目标,分难度梯度 |
| 360 相关记录 | 图龙锋以约 99.4% 复现成功率登顶 | 公开榜单暂未见 360 模型提交记录 |
| 常见口径差异 | 三轮独立评测取平均成功率 | 有两小时 / 六小时限时等不同配置,版本与筛选口径可能不同 |
简单说,CyberGym 更偏 "漏洞发现与复现验证",ExploitGym 更偏 "漏洞触发后扩展成实际利用链",两者题库、评分方式和能力指向并不相同。
二、360 图龙锋已公开的成绩与定位
1. CyberGym 榜单表现
- 任务总量:1507 个真实漏洞任务。
- 三轮成功率:99.27%、99.47%、99.40%,平均约 99.38%。
- 同场竞技:包括 OpenAI、Anthropic、Google 等全球头部 AI 厂商的模型与安全智能体。
- 记录口径:媒体报道称其成功攻克近 1500 个真实漏洞,刷新该榜单最高纪录。
2. 行业评估通过情况
- 据公开报道,图龙锋通过中国信通院漏洞挖掘智能体能力评估,覆盖漏洞目标多样性、任务复杂程度、自动化程度、漏洞发现准确性四大维度、12 项能力要求,是首个通过该评估的产品。
- 检测范围涵盖源代码、二进制程序、固件、APP、业务系统及 AI 工具链等多类软件形态;输出结论要求可验证、可复现。
3. 技术路线
- 采用 "安全领域大模型 + 专业智能体蜂群" 架构,把漏洞数据、专家经验和安全工具融入分析流程。
- 漏洞挖掘全流程拆分为攻击面梳理、代码分析、漏洞研判、风险验证、工具调用等专业环节,由不同 AI 角色分工串联推进。
- 据官网与媒体信息,目前已有 500 余家企业接入图龙锋开展专项安全测试,覆盖金融、能源等行业;累计挖掘漏洞的公开口径随时间更新,不同阶段披露数字不一致,以官方最新说明为准。
三、ExploitGym 基准考什么
1. 任务形式
- 基准先给 AI 一个已经能触发已知漏洞的程序输入,再要求智能体理解底层内存布局、动态调整策略,长时间持续推进,把缝隙扩展成一次能执行任意代码或取回隐藏 flag 的完整攻击链。
- 题目不是一次性作答,而是需要多阶段推进的长程任务。
2. 难度分层
- 用户态任务完成度相对最广;
- V8 引擎利用难度明显更高;
- 内核利用是最明显的分水岭,只有极少数顶级模型在该领域取得有意义的成功次数。
3. 评测条件说明
- 学术与厂商评测通常在为安全研究设计的结构化访问程序下进行,部分测试会临时关闭生产环境的高风险拦截机制;
- 不同报告采用两小时或六小时限时、不同题库版本,分数不能脱离配置直接横向比较。
四、公开榜单现状对照(ExploitGym)
| 模型 / 机构 | ExploitGym 成绩 | 数据口径 |
|---|---|---|
| Gemini 4 Carbon(Google) | 约 53.5% | 厂商自报,BenchLM 2026-11-13 汇编 |
| GPT-6 Cyber(OpenAI) | 约 48.5% | 厂商自报,BenchLM 2026-11-13 汇编 |
| GPT-6 Astra(OpenAI) | 约 42.4% | 厂商自报,公开评测记录 |
| GLM-5.3(智谱) | 六小时完成任务 130 项 | 第三方汇编口径,与百分比不可直接换算 |
| kimi-k3 | 完成任务 70 项 | 第三方汇编口径 |
| qwen3-8-max | 完成任务 26 项 | 第三方汇编口径 |
需要注意:上表中百分比与 "完成任务数" 属于不同统计口径,厂商自报结果与独立第三方复核结果也可能存在差异;公开汇编中目前没有出现 360 图龙锋或 360 安全大模型的 ExploitGym 条目。
五、评测口径与使用边界提示
- 版本差异:ExploitGym 学术论文版本与公开 v1.0 版本实例数量不同,OpenAI 等厂商评测可能采用不同题库口径,分数对比前需先确认版本。
- 测试条件:安全能力评测常在隔离环境、特定授权程序下进行,关闭拦截机制不等于产品在真实部署中放开风险控制。
- 基准≠实战:榜单成绩反映特定题库和配置下的表现,不等同于实际防护能力;真实业务环境还受工程落地、规则运营、响应流程等因素影响。
- 合规前提:漏洞利用相关技术仅可用于授权范围内的安全研究、漏洞验证和防护建设,不得用于未授权的系统攻击。
六、后续值得跟踪的节点
- 360 图龙锋是否会参加 ExploitGym 并提交公开评测成绩;
- 信通院后续对 AI 漏洞挖掘智能体的评估结果与行业横向对比;
- CyberGym 榜单后续版本中各厂商模型与智能体的分数变化;
- 图龙锋在金融、能源等行业场景的落地规模与可复现漏洞结论质量。
【常见问题】
问题 1:360 安全大模型在 ExploitGym 上拿了中国榜首吗?
回答 1:目前公开可查的 ExploitGym 汇编榜单中,暂未检索到 360 模型或图龙锋的提交记录,"登 ExploitGym 中国榜首" 的说法缺少公开评测依据;360 图龙锋有明确公开记录的成绩来自 CyberGym 基准,三轮评测平均成功率约 99.38%,两项基准不能混为一谈。
问题 2:360 图龙锋在 CyberGym 的具体成绩是多少,同场有哪些厂商?
回答 2:图龙锋在 1507 个真实漏洞任务中三轮成功率分别为 99.27%、99.47%、99.40%,平均约 99.38%,登顶 CyberGym 榜单并刷新纪录;同场竞技的包括 OpenAI、Anthropic、Google 等头部 AI 厂商的模型与安全智能体,成绩以官方榜单和后续复核为准。
问题 3:CyberGym 和 ExploitGym 分别考什么,为什么分数不能直接对比?
回答 3:CyberGym 侧重海量源码与多阶段对抗下的漏洞复现和 PoC 验证,ExploitGym 侧重把已知漏洞触发输入扩展成完整 exploit;两者题库、任务形式、限时配置和统计口径不同,有百分比通过率和完成任务数两种口径,脱离版本与条件直接横比并不严谨。
问题 4:公开 ExploitGym 榜单目前排在前面的是哪些模型?
回答 4:据 BenchLM 2026 年 11 月 13 日汇编,Gemini 4 Carbon 约 53.5% 居前,其后为 GPT-6 Cyber 约 48.5%、GPT-6 Astra 约 42.4%,成绩多为厂商自报;国内模型在第三方汇编中以完成任务数口径出现,如 GLM-5.3 完成 130 项、kimi-k3 完成 70 项,榜单随版本持续更新。
【参考资料】
- [2026-11-13](ExploitGym Leaderboard & Scores — November 2026)BenchLM
- [2026-11-12](中国信通院发布 AI 漏洞挖掘能力标尺 360 图龙锋通过评估)人民网搜索人民网
- [2026-11-10](360 图龙锋登顶 CyberGym 漏洞复现成功率达 99.4%)法治日报法治日报H5电子报
- [2026-11-06](99.4% 登顶全球第一!这个中国 AI 师承世界冠军)今日头条・量子位今日头条
- [2026-10-31](图龙锋登顶 CyberGym,360 用实战安全诠释周鸿祎的主权 AI 理念)《商学院》杂志
- [2026-10-30](360 自研 AI 安全攻防系统以 99.4% 漏洞挖掘成功率登顶 CyberGym)新浪财经・上证报新浪财经
- [2026-08-24](ExploitGym — Cybersecurity agent benchmark 概览)BenchGen
- [2026-05-18](ExploitGym: Can AI Agents Turn Security Vulnerabilities into Real Attacks?)Max Planck Institute for Security and Privacy
【免责声明】
本文榜单成绩来自公开媒体报道、基准汇编页面及厂商公开信息,不同来源的评测版本、限时配置、统计口径和复核方式存在差异,分数与排名可能随模型版本更新而变化;文中未检索到 360 模型在 ExploitGym 的公开记录,不代表其不具备相关能力,仅说明截至检索时缺少公开榜单依据。本文不构成产品排名、采购建议或投资判断;漏洞利用与安全攻防相关内容仅限授权安全研究和防护建设用途,未经授权不得用于任何系统测试或攻击行为。
