CyScenarioBench (10-challenge subset)网络安全Agent
Anthropic 运行其中的 10 题子集,报告总体解决率;Cyber 与生物安全护栏关闭(Fable 线使用 Mythos 模式,Opus 5.5 为无护栏运行),且基于发布前快照。官方注明各实验室成绩基于各自任务集,跨实验室不可直接比较;本站仅收录同一子集下的成绩。Irregular 的网络攻防场景基准,评估在贴近真实的容器化网络环境中规划并执行多阶段攻击链的编排能力(分支决策、约束遵守、错误恢复);场景全部原创且评测集不公开。