安全新榜：找漏洞最好的模型也只及格四成

Artificial Analysis 新开的 Cyber Index 把各家模型放进了同一间安全考场：Grok 4.7 与小米 MiMo-V2.6-Pro 以 56 分并列榜首，GPT-6 Luna 以 53 分紧随——而这已经是全场最好成绩。 三份等权测试（CWE-Bench-AA、DeepsecBench-AA、CyberGym-E2E-AA）考的是找漏洞并修补的真实能力，结果给整个行业泼了盆冷水。 GPT-6 Astra、GPT-6 Sol、Claude Opus 5.5 和 Fable 5.1 在 32% 到 38% 的任务上直接拒答、按零分计；即便榜首，也只找到全部经专家核实漏洞的 41%。 这份榜单的价值在于揭穿了两个错觉。其一，通用能力榜上的座次在这里并不平移——四款旗舰在代码与写作上的光环，到了攻防语境里被拒答率拖回原点。 其二，56 分这个"第一"本身提醒所有人：这不是成熟赛道的冠军之争，而是所有选手都还没及格的补考现场，41% 的天花板意味着自动漏洞挖掘离无人化还很远。 安全从业者该有的预期也随之校准：现阶段模型是放大器而非替代者——让它们先跑初筛和 PoC 草稿，把专家时间留给那 59% 找不到的漏洞；反过来，把模型接进安全流水线前，先测它在敏感任务上的拒答模式，那 32% 到 38% 的零分区，正是需要人工兜底的岗位清单。 榜单把"AI 能否接管攻防"这个问题推迟了几年——在下一个榜首真正及格之前，专家仍坐在判断席的正中间，你的安全流程是不是也还这么排？