版本：CWE-bench v0 · CWE-bench v1（当前）
不同版本的分数默认不直接比较。
v0 (2026-09-01): 100 tasks / 54 CWEs, original verifiers. v1 (2026-09-25): 120 tasks / 73 CWEs, verifiers reviewed against a three-judge panel; scores are not comparable across editions.
CWE-bench 是 Collinear AI 发布的防御性网络安全评测，模拟真实安全审计：智能体拿到一个真实开源仓库（部分复现已披露 CVE）和一句“审计代码并修复发现的问题”，不告知 CVE 编号或漏洞类别，需要自行定位并修补漏洞。v1（2026-09-25）包含 120 个保留任务、覆盖 73 种 CWE；每个模型在 high 推理档位下对每题运行 4 次、每次限时 1 小时，由所在编码智能体（Claude Code、Codex、opencode、Antigravity 等）执行。榜单主指标为确定性程序化验证的 pass@1：漏洞利用必须失效且全部既有测试仍通过，无部分得分；另公布 pass@4 与三评委智能体评审分。v1 修订了 v0 的验证器，分数不可与 v0 直接比较。
查看 CWE-bench v1 的最新得分、模型模式、发布时间与参数规模，快速了解当前完整榜单表现。
数据优先来自官方发布（GitHub、Hugging Face、论文），其次为评测基准官方结果，最后为第三方评测机构数据。 了解数据收集方法
| 排名 | 模型 | 开源情况 | |||
|---|---|---|---|---|---|
 GPT-6 Astra 思考水平·高工具 | 68.00 | 2026-09-03 | 未知 | 闭源 | |
 Grok 4.7 思考水平·高工具 | 68.00 | 2026-09-21 | 未知 | 闭源 | |
 Gemini 4 Argon 思考水平·高工具 | 68.00 | 2026-10-13 | 未知 | 闭源 | |
4 |  Claude Opus 5.5 思考水平·高工具 | 67.00 | 2026-09-22 | 未知 | 闭源 |
5 | Claude Fable 5.1 思考水平·高工具 | 58.00 | 2026-09-01 | 未知 | 闭源 |
6 | Grok 4.6 思考水平·高工具 | 57.00 | 2026-08-12 | 未知 | 闭源 |
7 |  Muse Spark 1.3 思考水平·高工具 | 55.00 | 2026-09-02 | 未知 | 闭源 |
8 |  DeepSeek-V4.1-Flash 思考水平·高工具 | 55.00 | 2026-09-10 | 5520亿 | 免费商用 |
9 |  Hy4 preview 思考水平·高工具 | 53.00 | 2026-08-28 | 7700亿 | 免费商用 |
10 | GPT-6 Sol 思考水平·高工具 | 52.00 | 2026-09-22 | 未知 | 闭源 |
11 | Inkling 思考水平·高工具 | 37.00 | 2026-07-15 | 9750亿 | 免费商用 |
