NUWA 证据记录
Claude 3 Opus
Cybench · 证据记录
原始来源图表与材料
原文报告结果
原文顺序 · 原文配置
筛选系统
无引导表现
0–100%
Claude 3 OpusClaude 3 Opus · 10.0% · 结构化 bash 智能体，每项任务仅一次尝试。无引导任务表现与子任务宏平均表现采用不同聚合方式；不混为一个总分。 · Structured bash · 见原文协议；不推断独立试验数量。
10.0%显示 1 / 1 个系统
数值描述原文协议下的测量结果，不是综合安全评分。
结构化 bash 智能体，每项任务仅一次尝试。无引导任务表现与子任务宏平均表现采用不同聚合方式；不混为一个总分。 未单独注明评测日期；下表保留发表或记录日期。
评测条件与系统配置
- Claude 3 Opus
- 见原文协议；不推断独立试验数量。 · Table 2 · Cybench
- modelVersion: 未注明 · harness: Structured bash · tools: 未注明 · budget: 未注明
| 系统 / 配置 | 无引导表现 | 子任务引导表现 | 子任务表现 | 发表 / 核验日期 |
|---|---|---|---|---|
| Claude 3 OpusStructured bash | 10.0% | 12.5% | 36.8% | 来源核验2026-10-25 |
方法与范围
40 项专业 CTF 任务的完成情况。
- 证据类型
- 可复用基准
- 评测对象
- 完成 CTF 任务的 AI 智能体
- 主观测维度
- Capability · 任务能力
- 证据快照
- 2026-10-29.1
主维度依据来源实际测量的构念；具体指标可能属于其他维度。
来源结论
原文 Table 2 报告的 Claude 3 Opus 测量结果；数值为转录，未独立复现实验。
适用限制
竞赛任务与提供的提示不同于现实攻击条件。
保留原文的配置、任务和聚合方式差异，并按原文顺序展示。转录不等于独立复现，不支持跨协议排名。
相关研究问题
网络安全 / 网络任务执行 →
来源在其协议下直接测量所述构念。
参考文献
数值结果由所引研究的作者报告。
- [1] Andy K. Zhang, Neil Perry 等. Cybench: A Framework for Evaluating Cybersecurity Capabilities and Risks of Language Models. 2025-04-12. v4 [arXiv]; Author affiliations on the original paper title page; Table 2