Collinear AI 发布 CWE-bench v2 安全基准

Collinear AI 发布 CWE-bench v2，公开 100 个安全漏洞修复任务，覆盖 91 种 CWE。智能体需在真实开源仓库中定位并修复安全弱点，同时不破坏原有功能。 在 11 个受测模型中，Gemini 4 Argon 以 67.8% pass@1 领先，Claude Opus 5.5 为 67.3%；榜首模型每次尝试仍有 19% 的任务失败。 该数据集需先在数据集页面接受访问条件才能使用；评分完全程序化，结果确定且可免费复现。若要在留出集上评估模型，需联系 cyber@collinear.ai。

AI 根据报道生成 · 51 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。