CWE-bench v2：更广的覆盖、更高的质量和更高的透明度
Hugging Face 发布 CWE-bench v2，称其覆盖范围更广、质量更高、透明度更强。文章发布于2026年11月3日。
文章要点
CWE-bench v2 是包含 100 个任务、覆盖 91 种 CWE 的公开测试集，用来检验 AI 智能体能否在真实开源仓库中发现并修复安全弱点，同时不破坏现有功能。评分完全由程序完成且结果确定，任务经 LLM 评审小组筛选并人工复核；另有保留集和 rl-environment 标签，可用于训练防御型智能体。Gemini 4 Argon 以 67.8% 的 pass@1 领先（pass@4 为 81.0%，每次运行 3.92 美元），Claude Opus 5.5 为 67.3%（1.83 美元），DeepSeek V4.1 Flash 为 57.0%，仅 0.04 美元。95 个任务至少被一个模型解决，但领先模型仍有 19% 的任务未能通过���发布于 2026 年 11 月 3 日。
本摘要由 AnnuIA 根据 Hugging Face 官方页面用自己的话撰写。内容及版权归发布方所有，请阅读原文。