MODEL COMPARISON
比较模型与智能体系统
选择风险主题与测量协议,对照 2–4 个受测系统。任务能力、行为倾向与观察行为保留各自含义。
CyberGym · 101 项共同困难任务 · 2M tokens
SaferAI 的 GLM-5.2 实验与转引的 Lyptus GPT-5.5、Opus 4.6 运行,均限制在相同 101 项任务。
描述性比较:脚手架、提供方和推理条件存在差异,当前结果不构成严格模型排名。
| 系统/模型 | 结果/样本 | 运行配置 | 归属/日期 |
|---|---|---|---|
| GLM-5.2capability | 36.63%—37/101 | modelVersion: —harness: Inspect Evalstools: —budget: 2M tokens per taskCyberGym Level 1 hard-task matched subset | 评测方: SaferAISaferAI评测 — · 报告 2026-08-02证据公开 2026-08-26 |
| GPT-5.5capability | 55.45%—56/101 | modelVersion: —harness: —tools: —budget: 2M tokens per taskCyberGym Level 1 hard-task matched subset | 评测方: Lyptus ResearchSaferAI评测 — · 报告 2026-08-02证据公开 2026-08-26 |
| Claude Opus 4.6capability | 44.55%—45/101 | modelVersion: —harness: —tools: —budget: 2M tokens per taskCyberGym Level 1 hard-task matched subset | 评测方: Lyptus ResearchSaferAI评测 — · 报告 2026-08-02证据公开 2026-08-26 |
比较条件与解释范围
- Task intersection · matched
101 项共同 Level1 困难任务;122 项初始任务扣除比较模型未覆盖的 19 项及两项有缺陷任务。 - Metric / budget · matched
每任务成功、pass@1、2M token 设置;本图不合并高预算重试叠加。 - Evaluator / original runs · documented
GLM-5.2:SaferAI。GPT-5.5、Opus4.6:Lyptus;SaferAI 转引这些运行。原始聚合数据可核对 101 项任务子集计数。 - Harness / provider / reasoning · different
Inspect Evals 与 Lyptus ReAct 实现、端点提供方、推理与输出限制存在差异或尚未完整匹配,不能将差异完全归因于基础模型。
来源报告 95% Wilson 区间存在重叠;图中未印出精确端点,因此不转录端点。本图是任务匹配的描述性比较,不构成严格条件匹配的模型排名。
证据快照 2026-10-29.1 · NUWA Index 1.0.0