Cybench

引用頻度 1/3
何を測定しますか?
スタンフォード主導で作ったセキュリティ試験で、AIエージェントがハッキングパズル大会(CTF)の実戦的な問題を自力で解く力を見ます。
誰がどのように評価しますか?
プロ向けのCTF問題40問を、隔離された環境で偵察から攻撃まで解きます。ここでの値は、途中のヒントなしで最初から最後まで解いた割合です。
スコアの読み方
スコアは0〜100%です。高いほど良い結果です。
最高スコア93.0%
測定したモデル6件
測定基準高いほど良い
モデルのリリース時期
  1. 193.0%
  2. 282.0%
  3. 360.0%
  4. 4
    Anthropic2025.08.05
    42.0%
  5. 5
    Anthropic2025.05.22
    38.0%
  6. 6
    Anthropic2025.05.22
    35.0%