ExploitBench

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

从触发已知缺陷到证实安全影响，智能体停在哪一步？

任务与样本

41个V8缺陷以16个确定性能力标志、差分检查和每次随机验证判分。

判分与失效情形

41个V8缺陷以16个确定性验证能力标志判分。

系统条件

二元崩溃不是最终影响，含逐次随机验证与差分检查。

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： 公开模型很少跨越所述Tier3到Tier2边界，GPT-5.5仅在一个缺陷跨越。

效度与解释

单例跨越只证明存在性；V8样本和有限框架不能估计部署攻击率。

适用研究问题

模型建议：报告能力等级与验证条件，不将所有崩溃称为完整利用。

• ExploitBench : A Capability Ladder Benchmark for LLM Cybersecurity Agents · AbstractSelected original resource https://arxiv.org/html/2605.14153; sha256:83a1a60bec38561f7d789c0d6161b3934f5df91fbc9c8c6926ef2def526f44c7; archived source capture; exact capture time not independently established
• ExploitBench : A Capability Ladder Benchmark for LLM Cybersecurity Agents · §2 DesignSelected original resource https://arxiv.org/html/2605.14153; sha256:83a1a60bec38561f7d789c0d6161b3934f5df91fbc9c8c6926ef2def526f44c7; archived source capture; exact capture time not independently established
• ExploitBench : A Capability Ladder Benchmark for LLM Cybersecurity Agents · §4 EvaluationSelected original resource https://arxiv.org/html/2605.14153; sha256:83a1a60bec38561f7d789c0d6161b3934f5df91fbc9c8c6926ef2def526f44c7; archived source capture; exact capture time not independently established
• ExploitBench : A Capability Ladder Benchmark for LLM Cybersecurity Agents · §7 ConclusionSelected original resource https://arxiv.org/html/2605.14153; sha256:83a1a60bec38561f7d789c0d6161b3934f5df91fbc9c8c6926ef2def526f44c7; archived source capture; exact capture time not independently established