NUWA 证据记录
GLM-5.2
Cybench · 证据记录
原始来源图表与材料
记录指标
- Cybench pass@1
- 85.29%
29/34
Inspect Evals · 30M total tokens; 131000 output/generation
评估出处
GLM-5.2 Risk Evaluation Report → · 外部报告
实际评测: SaferAI · 模型档案 →
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
来源报告 29/34。展示的 85.29% 由 NUWA 根据这些计数换算，保留两位小数。
适用限制
竞赛任务与提供的提示不同于现实攻击条件。
来源转录不等于实验复现。未确定的日期、执行方及配置保留为未知；原文分组不作为经核验排名。 本条限制说明（英文，完整保留）：Six tasks omitted due to setup difficulties. 95% Wilson intervals shown but exact bounds not printed.
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
- [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
- [2] GLM-5.2 Risk Evaluation Report. 2026-08-02. v1.1 · revised 26 August 2026 ; p.6 Fig.1