CWE-bench v2：覆盖更广、质量更高、更加透明
Collinear AI 发布了 CWE-bench v2，这是一套公开的 100 道任务，覆盖 91 类漏洞，测试 AI 智能体能否在真实开源代码中找到并修复安全弱点、同时不破坏现有功能。评分完全程序化、可复现；在已评测的 11 个模型中，Gemini 4 Argon 以 67.8% 的 pass@1 领先，略高于 Claude Opus 5.5。它之所以重要，是因为防守方必须预判每一种入侵路径，而公开、确定性的基准让前沿网络能力的主张变得可验证，而非停留在个案说法。
报道来源
- Hugging Face Blog2026-11-03 00:00