评测档案
Measuring AI Agents’ Progress on Multi-Step Cyber Attack Scenarios
评估智能体在多步网络场景中的自主推进。
任务与测量
Benchmark 协议档案
- 任务/对象
- 两套专设网络靶场中的智能体
- 测量目标
- 在两套明确靶场及不同推理预算下的任务推进。
- 解释边界
- 专设研究不代表现实网络攻击成功概率。
测量档案 · NUWA 解读
档案区分来源方法阅读与既有目录信息;已经公开不代表完成独立证据复核或双语编辑复核。
- 测量构念
- 模型代际与推理预算如何影响连续靶场任务进展?
- 任务与样本
- 七个模型在32步、7步两个定制靶场测试;近期模型的100M令牌端到端条件各运行五次。
- 判分与失效情形
- 按完成靶场步骤数计,最佳运行不同于平均进展。
- 系统条件
- 区分10M与100M令牌,近期高预算端到端单元五次尝试。
- 统计含义
- 来源报告的结果表述;这不等同于已确定运行次数、分母或估计方法: 10M令牌下,企业靶场平均进展从GPT-4o的1.7步升至Opus 4.6的9.8步。 最佳单次完成22/32步,并非平均完成率。
- 效度与解释
- 仅两个定制靶场,高预算样本较小;披露还可能削弱未来保留集有效性(§5)。
- 适用研究问题
- 模型建议:匹配令牌预算,并在最佳进展旁报告运行差异。
- Measuring AI Agents’ Progress on Multi-Step Cyber Attack Scenarios · AbstractSelected original resource https://arxiv.org/html/2603.11214; sha256:fe735767bb4d07e484ce73b74b4095cb5dda946262a39b0fd70c3ed2f05015cf; archived source capture; exact capture time not independently established
- Measuring AI Agents’ Progress on Multi-Step Cyber Attack Scenarios · §3.3 Experimental designSelected original resource https://arxiv.org/html/2603.11214; sha256:fe735767bb4d07e484ce73b74b4095cb5dda946262a39b0fd70c3ed2f05015cf; archived source capture; exact capture time not independently established
- Measuring AI Agents’ Progress on Multi-Step Cyber Attack Scenarios · §2 ResultsSelected original resource https://arxiv.org/html/2603.11214; sha256:fe735767bb4d07e484ce73b74b4095cb5dda946262a39b0fd70c3ed2f05015cf; archived source capture; exact capture time not independently established
- Measuring AI Agents’ Progress on Multi-Step Cyber Attack Scenarios · §5 LimitationsSelected original resource https://arxiv.org/html/2603.11214; sha256:fe735767bb4d07e484ce73b74b4095cb5dda946262a39b0fd70c3ed2f05015cf; archived source capture; exact capture time not independently established
原始来源图表与材料

相关研究问题
网络安全 / 网络任务执行 →
有限靶场的任务完成情况只测量特定协议下的能力。
参考文献
- [1] Linus Folkerts, Will Payne 等. Measuring AI Agents’ Progress on Multi-Step Cyber Attack Scenarios. Research page checked 2026-10-25 ; Official publication masthead and article byline
- [2] Linus Folkerts, Will Payne 等. Measuring AI Agents’ Progress on Multi-Step Cyber Attack Scenarios ; Figure 7