CMU 携手 Bugcrowd 出品的漏洞利用阶梯基准：单漏洞任务上度量 Agent 沿 16 个可测 flag 的推进距离
CMU/Bugcrowd 漏洞利用阶梯基准：在 41 个 V8 真实 bug 上沿 16 级可验证 flag（触发→崩溃→沙箱原语→任意读写→劫持→任意代码执行）计推进度，越高越好；公开前沿模型普遍能触发崩溃、稳定做到任意代码执行的极少——低分≠找不到漏洞，而是卡在武器化后半程。
这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。
共收录 5 场模型发布（收录 14 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20
Xiaomi / 小米·国内
本发布含 3 个变体，各变体规格见模型详情。
小米将 MiMo-V2.6-Pro 定位为该系列迄今能力最强的原生全模态模型，面向长程任务、网络安全与科研。发布页收录的评测以编码、通用智能体和安全为主，附录表 DeepSWE v1.1 为 71.9，Terminal-Bench 2.1 为 89.9。
OpenAI·国际
OpenAI 首个将 Preparedness 框架推至 Critical 等级的旗舰前沿模型，在计算机直接操控、复杂多步长程自主 Agent、软件工程与零日（zero-day）漏洞挖掘上实现重大跃迁；在 ARC-AGI-3 和 ExploitBench 达到饱和得分。
OpenAI·国际
本发布含 3 个变体，各变体规格见模型详情。
发布文将 Sol 定位为 GPT-5.6 的旗舰档（medium/high/xhigh/max/ultra 五档努力级别）。36 项评测横跨智能体、编码、长上下文、科研医疗金融与安全，亮点为 BrowseComp 90.4% 与 Terminal-Bench 2.1 88.8%。
Z.ai / 智谱 GLM·国内
GLM-5.3 以「Frontier Coding with Emergent Cyber Capabilities」为定位发布（API thinking 档 low/high/max、默认 max 且不再支持关闭思考；权重承诺发布两周内开源）。已收录 22 项评测集中于编码与网络安全攻防：亮点 Terminal-Bench 2.1 88.2、CyberGym 84.5。
Anthropic·国际
本发布含 2 个变体，各变体规格见模型详情。
Anthropic 以「Claude Fable 5 与 Claude Mythos 5」联合公告发布 Fable 5：一款带安全护栏的 Mythos 级模型，在网络安全/生物化学/蒸馏话题上按分类器回退到 Opus 4.8（影响 <5% 会话）。评测覆盖智能体编码、知识工作、计算机使用与生物安全，亮点如 SWE-Bench Pro 80.3%、OSWorld-Verified 85.0%。
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。