Arena de Modelos Cibernéticos
Avaliando agentes de IA diante de desafios reais de segurança
Agentes de Uso Geral
Agentes de codificação multiuso avaliados em tarefas de segurança.
Cada porcentagem representa a taxa de sucesso do agente em identificar e resolver corretamente as tarefas de segurança nessa categoria.
| # | Configuração do Agente | Code Vulns | API Security | Web Security | Cloud Security | Overall | Avg Time |
|---|---|---|---|---|---|---|---|
| 1 |  Claude Opus 4.6 Claude Code | 49.4% | 84.2% | 41.9% | 35% | 47.6% | 8.2 min |
| 2 |  Gemini 3.1 Pro Gemini CLI | 42.9% | 78.9% | 41.9% | 35% | 47% | 7.3 min |
| 3 | Gemini 3.1 Pro Claude Code | 35.2% | 84.2% | 41.9% | 35% | 44.7% | 8.9 min |
| 4 | Claude Opus 4.7 Claude Code | 43.8% | 74% | 51.6% | 30% | 43.8% | 9.2 min |
| 5 | Gemini 3 Pro Gemini CLI | 28.8% | 73.7% | 38.7% | 40% | 41.7% | 6.9 min |
| 6 | Claude Opus 4.5 Claude Code | 42.9% | 78.9% | 35.5% | 30% | 41.1% | 5.5 min |
| 7 | Gemini 3 Pro Claude Code | 35.2% | 84.2% | 35.5% | 30% | 40.6% | 8.8 min |
| 8 | Claude Opus 4.8 Claude Code | 39.2% | 90% | 51.6% | 30% | 39.2% | 9.1 min |
| 9 | Claude Sonnet 4.6 Claude Code | 42.9% | 78.9% | 38.7% | 25% | 38.9% | 5.6 min |
| 10 | Gemini 3.5 Flash Claude Code | 38.1% | 42% | 51.6% | 20% | 38.1% | 6.1 min |
| 11 | Gemini 3 Flash Gemini CLI | 27.5% | 78.9% | 35.5% | 30% | 38% | 6.1 min |
| 12 | Claude Opus 4.6 OpenCode | 15.1% | 78.9% | 41.9% | 30% | 36.8% | 4.9 min |
| 13 | Gemini 3 Flash Claude Code | 32.5% | 73.7% | 41.9% | 20% | 35.4% | 5.1 min |
| 14 | Claude Opus 4.5 OpenCode | 13.9% | 73.7% | 38.7% | 25% | 33.9% | 4.5 min |
| 15 | Claude Sonnet 4.5 Claude Code | 46.6% | 68.4% | 25.8% | 20% | 32.2% | 6.2 min |
| 16 | Gemini 3.5 Flash Gemini CLI | 29.8% | 42% | 6.5% | 30% | 29.8% | 6.4 min |
| 17 | Claude Sonnet 4.6 OpenCode | 14% | 73.7% | 35.5% | 15% | 29.5% | 4.2 min |
| 18 | Claude Haiku 4.5 Claude Code | 39.2% | 72.4% | 19.4% | 15% | 29.2% | 4.7 min |
| 19 | Claude Opus 4.6 Gemini CLI | 12.3% | 36.8% | 38.7% | 25% | 26.2% | 3.7 min |
| 20 | Claude Sonnet 4.6 Gemini CLI | 6% | 57.9% | 32.3% | 20% | 25.1% | 3.2 min |
| 21 |  Grok 4 Gemini CLI | 17.2% | 76.3% | 19.4% | 10% | 24.6% | 6.4 min |
| 22 |  GPT-5.2 Codex | 36.6% | 55.3% | 19.4% | 10% | 24.3% | 6.2 min |
| 23 | Claude Opus 4.5 Gemini CLI | 8.7% | 27.6% | 38.7% | 25% | 23.6% | 3.5 min |
| 24 | Claude Sonnet 4.5 OpenCode | 12% | 68.4% | 22.6% | 10% | 22.6% | 4.4 min |
| 25 | Grok 4 Claude Code | 35% | 36.8% | 16.1% | 15% | 20.6% | 8 min |
| 26 | Claude Haiku 4.5 OpenCode | 8.7% | 68.4% | 9.7% | 10% | 19.4% | 4.2 min |
| 27 | Claude Sonnet 4.5 Gemini CLI | 0.4% | 51.3% | 19.4% | 15% | 19% | 3.4 min |
| 28 | GPT-5.2 Claude Code | 9.3% | 67.1% | 6.5% | 5% | 17.6% | 2.4 min |
| 29 | Gemini 3 Pro OpenCode | 12.2% | 38.2% | 6.5% | 15% | 16.2% | 3.3 min |
| 30 | Gemini 3.1 Pro OpenCode | 13.9% | 15.8% | 9.7% | 20% | 15.5% | 3.5 min |
| 31 | Claude Haiku 4.5 Gemini CLI | 3.5% | 36.8% | 16.1% | 5% | 12.3% | 2.6 min |
| 32 | GPT-5.2 OpenCode | 23.9% | 28.9% | 3.2% | 5% | 12.2% | 4.6 min |
| 33 | Grok 4 OpenCode | 17% | 10.5% | 12.9% | 15% | 11.1% | 4.7 min |
| 34 | Gemini 3 Flash OpenCode | 10.5% | 25% | 3.2% | 10% | 9.7% | 2.8 min |
| 35 | GPT-5.2 Gemini CLI | 1.3% | 31.6% | 3.2% | 0% | 7.2% | 2.6 min |
176
Code Vulnerabilities
19
API Security
31
Web Security
20
Cloud Security
Sobre Este Marco
Avaliamos 25 combinações agente-modelo (4 agentes × 8 modelos) em 257 desafios ofensivos de segurança, abrangendo cinco categorias:
| # | Categoria | Desafios | O que ele testa |
|---|---|---|---|
| 1 | Code Vulnerabilities | 176 | Identificação de padrões de vulnerabilidades conhecidas em código-fonte (Python, Go, Java) |
| 2 | API Security | 19 | Descobrindo e validando vulnerabilidades da web por meio de interação ao vivo |
| 3 | Web Security | 31 | Desafios do Web CTF — análise do código-fonte e escrita de exploits funcionais para capturar flags |
| 4 | Cloud Security | 20 | Explorando configurações incorretas entre diferentes provedores de nuvem |
Agentes avaliados: Gemini CLI, Claude Code, OpenCode, Codex (GPT-only)
Modelos avaliados: Claude Opus 4.8, Claude Opus 4.7, Claude Opus 4.6, Claude Opus 4.5, Claude Sonnet 4.6, Claude Sonnet 4.5, Claude Haiku 4.5, Gemini 3 Pro, Gemini 3.5 Flash, Gemini 3 Flash, GPT-5.2, Grok 4
Metodologia
Cada combinação agente-modelo-desafio é executada 3 vezes (pass@3 — o melhor resultado entre as corridas é obtido por desafio)
Agentes rodam em contêineres Docker isolados sem acesso à internet, sem bancos de dados CVE e sem recursos externos — o agente não pode navegar na web, instalar pacotes ou acessar qualquer informação além do que está no contêiner
Toda pontuação é determinística (sem LLM como juiz): flags, correspondências de endpoints, localizações de vulnerabilidades e grafos de chamadas são validados programaticamente
A pontuação geral é a macromédia em todas as cinco categorias