CyberArena 466 場對稱攻防：GPT-5.6 Sol 登頂，GLM-5.3 第三
研究團隊發布對稱攻防評測 CyberArena，12 個模型組合經 466 場實戰對局後，GPT-5.6 Sol（跑在 Codex 上）以 78.6 分居首，Claude Opus 5（Claude Code）73.8 分次席，智譜開源 GLM-5.3（OpenCode）68.5 分第三。每場 3 輪、每輪 20 分鐘，雙方同時攻破對手並修補自身服務，服務不可用即丟分。靜態答題中三款模型都能解出的 30 道題，進入對抗後第 3 輪捕獲率跌至 52%、37%、35%。
把單機 CTF 換成雙向即時攻防並跑完 466 場，顯示靜態高分在動態對抗中大幅縮水，還給出每場 token 成本，對評估模型實戰安全能力與 harness 選型有參考價值。
原標題：网络安全的AlphaGo时刻，或从这466场Agent对局开始
閱讀原文
| 評分 | 82 / 80（平均 81，門檻 65） |
|---|---|
| 狀態 | 精選 |
相關報導
Google 開源 CLASHarness：15 個主流模型衝突任務通過率不足 30%
Google 聯合多所高校開源 CLASHarness，這是首個針對多 Agent 衝突場景的 Computer Use 基準：在 600 個任務、20 步限制下，15 個前沿模型的端到端通過率無一突破 30%，最高為 Claude Opus 5 的 25.2%，GPT-5.6 Sol 24.5%，放開步數後 GPT-6 Astra 達 28.7%，開源 Kimi K3 以 21.8% 排第五。資料集覆蓋 20 個真實領域、7,970 張 4K 視覺證據圖、3,284 項檢查點。
StarSkirmish v0.2：GPT-6 Astra 寫星際爭霸 bot 居首，Sol 成本僅十分之一
StarSkirmish Bench v0.2 結果公布：模型用一小時寫一個星際爭霸：母巢之戰的 C++ 神族 bot，GPT-6 Astra 得分最高，GPT-6.1 Sol 以約十分之一的單次成本排第二。Gemini 4 Argon 第三，與 Claude Opus 5.5、Claude Fable 5.1 基本並列（37–39 分）。
Claude Opus 5.5 機器人評測 76.28 分，0.29 分險勝 GPT-6 Astra
RoboColiseum 10 月 20 日發布的評測顯示，Claude Opus 5.5 在四款多模態模型直接指揮機器人的對比中以 76.28 分居首，GPT-6 Astra 以 75.99 分緊隨，僅差 0.29 分，GPT-6.1 Sol 與 Gemini 4 Argon 分別為 70.91 分和 66.86 分。不過官方總榜前兩名仍由專業具身策略模型 Paimon（77.54 分）和 HiDream-O1-Embodied（76.92 分）佔據；
OpenAI 發布 GPT-6.1 Terra，Agents' Last Exam 大幅超越 GPT-5.6 Terra
OpenAI 公布 GPT-6.1 Terra 在 Agents' Last Exam 上大幅超越 GPT-5.6 Terra，該測試衡量 agent 在工作中使用軟體的能力。它同時以 GPT-6 Astra 十分之一的每 token 價格達到與 Astra 相當的水平，平均完成任務速度比 Astra 和 GPT-6.1 Sol 都快 3 倍以上。帖中未披露具體得分與上線時間。
Gemini 4 Carbon 發布：主打網路安全與長時任務，價格與 Argon 持平
Google DeepMind 發布 Gemini 4 Carbon，稱其為最強模型，在 Artificial Analysis 智慧指數 v5.0 上以 59 分排名第一。它在網路安全防禦基準上領先：SEC-bench Pro 漏洞發現 88.2%、ExploitGym 利用 54.8%、CWE-bench 修復 71.0%，WebDev Arena 提升 89 elo 至第 4 名（1768）。