NUWA CAISI’s Assessment of Z.ai’s GLM-5.3 Cyber Capabilities | NIST
研究问题CAISI受控网络评测中GLM-5.3表现如何？
来源摘要GLM-5.3在SEC-Bench Pro为74/183，40.4%，Wilson区间[33.6,47.7]。
NUWA 研究解读 · 独立复核待完成 · 包含: 问题 / 方法 / 发现 / 解读 / 局限
研究机构
美国 NIST／CAISI
角色与署名遵循所引原始资料。来源核验不等于独立复现实验。
更多筛选 →CAISI Evaluation of DeepSeek V4 Pro
研究问题独立选择的评测集合如何改变DeepSeek V4 Pro能力图景？
来源摘要报告在所选集合估计综合能力约落后八个月。
NUWA 研究解读 · 独立复核待完成 · 包含: 问题 / 方法 / 局限
Insights into AI Agent Security from a Large-Scale Red-Teaming Competition | NIST
研究问题公开对抗竞赛能揭示哪些智能体劫持问题？
来源摘要部分攻击族可跨模型与场景迁移。
NUWA 研究解读 · 独立复核待完成
Cheating On AI Agent Evaluations | NIST
研究问题基准成功何时不再测量预期技能？
来源摘要文章强调表面解题成功也可能削弱评价效度。
NUWA 研究解读 · 独立复核待完成
Evaluation of DeepSeek AI Models
研究问题受控能力及安全评测中，所选DeepSeek版本表现如何？
来源摘要所测基准中最佳美国参考几乎均领先最佳DeepSeek，网络与软件差距较大。
NUWA 研究解读 · 独立复核待完成 · 包含: 问题 / 方法 / 局限