网络安全的 AlphaGo 时刻，或从这 466 场 Agent 对局开始

针对传统大模型网络安全评测多为单机静态答题、与真实攻防场景脱节的问题，来自多机构的研究团队搭建了对称动态攻防竞技场 CyberArena，组织 12 款前沿大模型组合开展实时双向攻防对战，每轮双方同时执行攻击、防守操作，成绩综合捕获对手 Flag、守住己方 Flag、保障业务可用性三个维度。

经 466 场有效对局评测，GPT-5.6 Sol、Claude Opus 5 位列前二且展现断层优势，智谱 GLM-5.3 位列第三。研究发现静态环境下多款模型都能解出的攻防题，进入动态对抗后进攻捕获率大幅暴跌，防守端的响应速度与应变能力是顶级模型拉开差距的核心关键。

团队还通过潜变量能力建模框架完成战力排序，同时梳理出各类模型在攻防对抗中存在的虚假修复、修补不完整等典型失误，这类对称对抗评测不会像静态基准测试那样出现性能饱和，能更真实反映模型在攻防拉锯中的边际优势。