NUWA 证据记录
GLM-5.2
CyberGym · 证据记录
原始来源图表与材料
CyberGym hard subset with token budgets
原始评测方结果 · 来源顺序
筛选系统
Reproduction at 2M tokens
0–100%
GLM-5.2GLM-5.2 · 36.6% · 历史漏洞集合中的经验证复现表现。 · Inspect Evals · 见报告特定样本与分母。
36.6%显示 1 / 1 个系统
历史漏洞集合中的经验证复现表现。
漏洞复现的范围小于对部署系统的自主入侵。 本评估显示报告日期和原始执行方。
评测条件与系统配置
- GLM-5.2
- 见报告特定样本与分母。 · CyberGym hard subset with token budgets
- modelVersion: GLM-5.2 public API · harness: Inspect Evals · tools: Source-defined cyber environment · budget: 2M / 50M tokens per task; different conditions
| 系统 / 配置 | Reproduction at 2M tokens | Reproduction at 50M tokens | 发表 / 核验日期 |
|---|---|---|---|
| GLM-5.2Inspect Evals | 36.6% | 76.2% | 发表2026-08-02 |
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
历史漏洞集合中的经验证复现表现。
- 证据类型
- 可复用基准
- 评测对象
- 复现历史漏洞的 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 §2.2; Figure 3 报告的测量；转录不等于独立复现实验。
适用限制
漏洞复现的范围小于对部署系统的自主入侵。
漏洞复现的范围小于对部署系统的自主入侵。
保留原图，不估算数值；本轮未完成原文全部表格转录。
相关研究问题
网络安全 / 漏洞复现 →
来源在其协议下直接测量所述构念。
参考文献
- [1] Zhun Wang, Tianneng Shi 等. CyberGym: Evaluating AI Agents' Real-World Cybersecurity Capabilities at Scale. 2026-03-24. v3 [arXiv]; Author affiliations on the original paper title page; Figure 2
- [2] GLM-5.2 Risk Evaluation Report. 2026-08-02. v1.1 · revised 26 August 2026 ; §2.2; Figure 3