最近翻各家大厂的技术报告，很容易生出一种错觉：大模型好像已经把人类的网络安全防线打穿了。NYU CTF、Cybench、CyberGym 排行榜上，不管闭源大厂还是开源新秀，漏洞解决率动不动就 80% 往上。

问题是，这些分数基本都来自单机答题（Jeopardy）模式。靶机就杵在那儿，不打补丁，不重启断连，更不会顺着流量反打回来。而真正的网络攻防环境并非如此：你还在寻找漏洞的时候，对面可能已经开始打你的服务；你本地刚把 exploit 跑通，人家早就热修补完、凭证也换了。单机成绩和实战表现间的差距，就仿佛固定靶射击和真刀真枪的格斗之间的差距一样。

那么，这些 Agent 放到真实攻防里到底什么水平？为了回答这个问题，来自2077AI、UC Berkeley RDI、UC Santa Cruz、UCSB 等机构的研究团队共同研究设计了 CyberArena ：12 款前沿模型 + harness 组合同场开打，每个 Agent 在扮演黑客攻破对手防御的同时，也要当运维保护自己服务的正常运行。