Cyber Model Arena
Avaliamos agentes de IA com modelos de fundação e harnesses padrão em múltiplas tarefas de cibersegurança do mundo real.
Qualidade do modelo vs. Eficiência
Taxa de sucesso em relação a custo, tempo ou etapas por resolução ao longo de k tentativas independentes.
Tabela de classificação
Cada porcentagem é pass@1 nessa categoria.
# | Agente | Geral @ 1 | Vulnerabilidades de código | API Sec | Web Sec | Cloud Sec | Eficiência / passe |
|---|---|---|---|---|---|---|---|
| 1 |  ADK React | 77.2% | 65.8% | 85.8% | 74.7% | 82.6% | 4.3 min$0.7715 passos |
| 2 | Antigravity | 77% | 64.9% | 87% | 69% | 87% | 8.4 min$0.9751 passos |
| 3 | ADK React | 74.9% | 57% | 85.2% | 90.8% | 66.7% | 5 min$1.6258 passos |
| 4 |  Claude Code | 71.2% | 55.2% | 84% | 81.6% | 63.8% | 12.2 min$2.6319 passos |
| 5 |  Codex | 71.2% | 55.1% | 78.4% | 86.2% | 65.2% | 6.6 min$0.6721 passos |
| 6 | Claude Code | 70.8% | 59.9% | 82.7% | 66.7% | 73.9% | 5.3 min$0.8416 passos |
| 7 | Codex | 69.8% | 57.2% | 79.6% | 77% | 65.2% | 5.7 min$2.0622 passos |
| 8 | Claude Code | 69.3% | 50.8% | 78.4% | 88.5% | 59.4% | 17.9 min$1.2651 passos |
| 9 | Claude Code | 68.5% | 50.1% | 84.6% | 78.2% | 60.9% | 5.7 min$1.5258 passos |
| 10 | Antigravity | 68% | 48.7% | 84% | 77% | 62.3% | 4.3 min$0.89104 passos |
| 11 | ADK React | 66.9% | 41.8% | 78.4% | 85.1% | 62.3% | 15.3 min$7.4612 passos |
| 12 | Antigravity | 65.6% | 45.6% | 80.2% | 71.3% | 65.2% | 7 min$0.4774 passos |
| 13 | Claude Code | 65.4% | 44% | 79% | 74.7% | 63.8% | 11.9 min$2.7715 passos |
| 14 | Codex | 64.5% | 46.8% | 72.8% | 80.5% | 58% | 6.3 min$0.0518 passos |
| 15 | Claude Code | 64.4% | 38.9% | 78.4% | 79.3% | 60.9% | 22.4 min$3.4847 passos |
| 16 | Claude Code | 64.2% | 33.8% | 82.7% | 79.3% | 60.9% | 27.2 min$8.2957 passos |
| 17 | Codex | 63% | 48.9% | 75.3% | 65.5% | 62.3% | 4.6 min$0.9220 passos |
| 18 | ADK React | 61% | 25.8% | 80.2% | 81.6% | 56.5% | 30.6 min$2.3139 passos |
| 19 | ADK React | 60.9% | 35.3% | 77.2% | 75.9% | 55.1% | 15.7 min$4.1612 passos |
| 20 | Claude Code | 60.5% | 37.7% | 73.5% | 81.6% | 49.3% | 22.5 min$8.9947 passos |
| 21 | Claude Code | 60.5% | 43.4% | 75.3% | 71.3% | 52.2% | 21.1 min$0.0930 passos |
| 22 | ADK React | 59.7% | 17% | 80.2% | 85.1% | 56.5% | 38.7 min$0.9537 passos |
| 23 | Antigravity | 59.3% | 38.9% | 77.2% | 63.2% | 58% | 7.4 min$1.3178 passos |
| 24 | Claude Code | 59.3% | 36.3% | 76.5% | 67.8% | 56.5% | 14.1 min$1.5816 passos |
| 25 | Claude Code | 59.1% | 26.1% | 82.1% | 74.7% | 53.6% | 27.4 min$6.4738 passos |
| 26 | Claude Code | 59.1% | 39.4% | 75.9% | 69% | 52.2% | 16 min$9.3240 passos |
| 27 | ADK React | 58.7% | 31.4% | 81.5% | 60.9% | 60.9% | 26.3 min$2.3719 passos |
| 28 |  Claude Code | 58% | 32.9% | 82.7% | 65.5% | 50.7% | 28 min$3.1333 passos |
| 29 |  Claude Code | 54.4% | 37.9% | 72.8% | 62.1% | 44.9% | 12.1 min$0.6720 passos |
| 30 | ADK React | 53.6% | 17.3% | 74.7% | 75.9% | 46.4% | 41.6 min$2.3546 passos |
| 31 | ADK React | 52.8% | 27.5% | 77.2% | 52.9% | 53.6% | 31.9 min$1.6149 passos |
| 32 | ADK React | 52.5% | 36.3% | 76.5% | 44.8% | 52.2% | 19.2 min$1.5317 passos |
| 33 |  ADK React | 52.2% | 27.5% | 72.2% | 59.8% | 49.3% | 21.7 min$1.0920 passos |
| 34 | Claude Code | 51% | 26.5% | 75.9% | 60.9% | 40.6% | 28.6 min$1.8921 passos |
| 35 | Claude Code | 50.5% | 32% | 68.5% | 50.6% | 50.7% | 17.7 min$2.3932 passos |
| 36 | Claude Code | 50.2% | 21% | 78.4% | 44.8% | 56.5% | 39.4 min$0.4131 passos |
| 37 | ADK React | 49.1% | 21.7% | 75.3% | 51.7% | 47.8% | 40.1 min$1.4028 passos |
| 38 | Claude Code | 48.2% | 24.1% | 77.2% | 49.4% | 42% | 33.9 min$0.3424 passos |
| 39 | ADK React | 47.4% | 16.4% | 80.9% | 41.4% | 50.7% | 40.1 min$0.2228 passos |
| 40 |  ADK React | 46.6% | 23.4% | 56.2% | 67.8% | 39.1% | 43 min$2.3916 passos |
| 41 | ADK React | 46.5% | 19% | 71% | 48.3% | 47.8% | 46 min$1.7559 passos |
| 42 | Claude Code | 45.5% | 9.7% | 71.6% | 64.4% | 36.2% | 51.2 min$2.8515 passos |
| 43 | Antigravity | 44.3% | 21.9% | 72.2% | 42.5% | 40.6% | 15.7 min$1.0781 passos |
| 44 | ADK React | 42% | 14.3% | 77.2% | 29.9% | 46.4% | 42.5 min$1.6926 passos |
| 45 | ADK React | 41.8% | 12.4% | 78.4% | 35.6% | 40.6% | 55.5 min$0.2020 passos |
| 46 |  ADK React | 39.7% | 15.2% | 77.8% | 31% | 34.8% | 55.5 min$0.1717 passos |
| 47 | Claude Code | 39% | 13.6% | 76.5% | 29.9% | 36.2% | 58.7 min$0.5314 passos |
O estado da IA ofensiva agente
Os agentes já conseguem realizar tarefas cibernéticas padrão
Agentes líderes já concluem a maioria dos nossos desafios básicos de segurança do mundo real em sua primeira tentativa.
- Gemini 4Argon +ADK React77.2%
- Gemini 4Argon +Antigravity77%
- Gemini 3.8Flash Cyber +ADK React74.9%
- ClaudeOpus 5 +Claude Code71.2%
O mesmo modelo apresenta desempenho diferente entre os chicotes
O mesmo modelo pode ter um desempenho substancialmente melhor ou pior com o Claude Code em comparação ao ADK React. Nós avaliamos a combinação, não o modelo isoladamente.
- Claude Sonnet 5 +ADK React42%
- Claude Sonnet 5 +Claude Code59.3%
Os ataques são baratos e levam minutos
Um ataque de agente de IA bem-sucedido normalmente custa alguns dólares e é concluído em minutos. Tentativas adicionais (por exemplo, pass@3) aumentam a taxa de sucesso do ataque.
Vulnerabilidades de código ainda são difíceis para agentes encontrarem e explorarem
Cobrimos muitos desafios de encontrar vulnerabilidades em grandes bases de código e exploração de falhas de 1 dia (CVEs conhecidas). Consideramos que essas tarefas são mais difíceis para os agentes resolverem.
- Segurança de API85.8%
- Segurança na nuvem82.6%
- CTFs do Websec.fr74.7%
- Vulnerabilidades de código65.8%
Conjuntos de dados
Vulnerabilidades de código
221 desafios
Identificar padrões de vulnerabilidade conhecidos no código-fonte e explorar falhas de 1 dia (CVEs conhecidas).
Identificar a causa-raiz da vulnerabilidade em Python, Java e Go, ou explorar um CVE ativo de 1 dia.
Segurança de API
54 desafios
Descobrir e explorar vulnerabilidades web por meio de uma API ativa.
Acessar todos os caminhos exploráveis em laboratórios sem usar código-fonte e, frequentemente, sem nenhuma especificação de API.
CTFs do Websec.fr
29 desafios
Analisar o código-fonte de desafios de CTF web e escrever exploits funcionais para capturar flags.
Usar as tarefas públicas do site websec.fr.
Segurança na nuvem
23 desafios
Explorar configurações incorretas em diferentes provedores de nuvem (extraído dos Desafios de CTF da Wiz).
Capturar uma flag em configurações estilo AWS / Azure / GCP / Kubernetes.
Arreios
ADK React
Um loop ReAct simples desenvolvido com ADK. Ele usa uma única ferramenta bash, não tem ferramentas cibernéticas especializadas e usa um prompt de sistema geral.
Claude Code
CLI de codificação padrão da Anthropic. Utiliza ferramentas comuns de arquivo, busca e shell, não possui ferramentas cibernéticas especializadas e usa um prompt de sistema geral.
Antigravity
Interface de comando antigravidade do Google. Utiliza ferramentas comuns de arquivo, busca e shell, não possui ferramentas cibernéticas especializadas e utiliza um prompt geral do sistema. Publicado apenas com modelos do Google.
Codex
Codex CLI da OpenAI. Ele usa ferramentas comuns de arquivo, busca e shell, não possui ferramentas cibernéticas especializadas e utiliza um prompt geral do sistema. Publicado apenas com modelos OpenAI.
Metodologia
O agente recebe apenas a instrução da tarefa, sem manuais de ataque extras ou modelos de exploit.
Cada combinação de harness-modelo-desafio é executada 3 vezes (pass@3: o melhor resultado entre as execuções é considerado por desafio), com um limite de repetição de 3 vezes por erro de infraestrutura.
Cada execução de agente é limitada a 1000 segundos. Quando o tempo expira, o agente é interrompido e o verificador pontua o que o agente produziu. Um tempo limite esgotado não é repetido.
O nível de raciocínio está definido como alto em todos os modelos.
Antifraude: os agentes são executados em containers Docker isolados, sem bancos de dados de CVEs e sem recursos externos.
Todas as pontuações são determinísticas por meio de ganchos de API, flags exatas, strings de causa-raiz exatas e confirmação de que o caminho vulnerável é executado.
A pontuação geral é a média macro em todas as 4 categorias.