360 CyberGym 结果：Tulongfeng 宣称漏洞复现率达 99.4%

360 表示，其 Tulongfeng 安全系统在 CyberGym 上实现了约 99.4% 的漏洞复现成功率。CyberGym 是一项围绕历史软件漏洞构建的评估。有关 360 CyberGym 结果的报道发表于 2026 年 10 月 30 日。该结果描述的是一项定义明确任务中接近满分的表现，而非发现未知漏洞的总体成功率。

对于比较专业系统与基于 OpenAI、Anthropic 和 Google 模型构建的智能体的安全团队而言，这一区别至关重要。复现已识别的漏洞需要大量工程工作；在陌生应用中寻找未被明确说明的缺陷，则是另一类问题。前者的优异结果值得关注，但不能据此证明后者的所有相关主张。

核心问题在于，接近完美的复现分数究竟能证明多少实际运营价值。采购方需要看到证据，将基准测试中的成功运行与其自身环境中的可靠调查能力联系起来。对 360 而言，机会在于通过透明的评估细节和可验证的安全结果来证明这种联系。

360 CyberGym 结果实际证明了什么

报告所述结果涉及已知漏洞复现，其确切评估日期仍不明确。

新华网于 10 月 30 日发布的一篇漏洞复现报道引用 China.org.cn 的内容，介绍了 Tulongfeng 的表现。报道称，其在三项评估中的成功率分别为 99.27%、99.47% 和 99.40%。报告给出的平均值为 99.38%，覆盖全部 1,507 个任务。

这为该报道提供了可核实的发布时间，但并不能证明测试何时完成，也不能确定排行榜条目何时发生变化。报道将结果描述为近期成果，却未提供这些日期。因此，读者应将 10 月 30 日视为报道日期，而非已确认的评估里程碑。

报道还称 Tulongfeng 位居排行榜首位。这一排名主张应与所报告的数值结果分开处理。公开获取的基准页面未展示足以独立核查其排名和配置的 Tulongfeng 条目。因此，本文将分数和领先地位的主张均归因于相关报道。

一项基准结果包含多个证据层面。已发布的公告只能证明某方报告了什么；详细提交材料说明评估如何运行；独立复现则检验其他团队能否获得可比结果。这些层面回答的是不同问题，在多个网站发布同一公告并不能替代其中任何一项。

术语也需谨慎使用。漏洞复现是指生成能够证明特定软件缺陷的输入；漏洞发现则是识别此前未提供其存在或位置线索的缺陷。将复现分数描述为发现率，会把主张扩展到评估未直接衡量的范围。

对于通过新闻信息流看到这一标题的读者来说，这便是关键修正。该公告涉及的是一项具有明确起点的自动化安全调查任务。它并不能证明 Tulongfeng 能在任意软件中发现几乎所有漏洞，也不能证明已部署客户能够获得同等结果。

即便采取这种较窄的解读，这仍是一项重要进展。如果所报告的表现能在有文档记录的条件下得到验证，Tulongfeng 将代表一种高度成熟的系统，能够将已知漏洞描述转化为可执行证据。这类工作处于接收报告与决定采取何种工程行动之间的实用环节。

其意义正建立在这种联系之上。当安全系统的输出能够帮助人们验证问题、理解其范围并作出有据可依的决策时，系统才具有价值。该分数是评估这种价值的切入点，而非对其完整描述。

已知漏洞为安全智能体提供了明确起点

CyberGym 衡量的是一项要求严苛的调查任务，但它提供了开放式发现首先必须自行获取的信息。

根据官方 CyberGym 评估，其主要的 Level 1 设置提供漏洞描述及未修补的代码库。概念验证（PoC）是一种可执行测试，用于证明指定缺陷的存在。成功意味着该测试必须触发存在漏洞的版本，同时让已修补版本保持未受影响。

这构成了一项有意义的工程挑战。智能体，即通过软件工具采取行动的模型驱动系统，必须将书面描述与实际程序行为联系起来。其输出必须经受基于执行的检查。仅有看似合理的解释不足以完成任务。

不过，提供的描述改变了搜索问题。系统一开始就掌握了相关漏洞存在的证据，因此可以围绕这一前提组织调查。开放式审查还必须决定从哪里开始搜索、哪些可疑行为重要，以及进一步调查是否值得投入更多资源。

从开发者视角看，差异很明显。一份具体的漏洞报告提供了检查特定行为的理由；而对大型应用进行评估的宽泛请求，约束条件则更少。两者都需要判断，但这种判断出现在调查过程中的不同位置。

这一差异解释了为何所报告的结果会给安全厂商带来压力，却并未解决整个市场的问题。销售自动化调查能力的供应商面临一个具体问题：其系统能否在可比条件下产出同样有说服力的证据？承诺广泛发现能力的供应商，则面临一个更宽泛的问题：如何找到有价值的调查起点。

任何一类供应商都不能仅凭流畅的解释回答这些问题。能够准确描述漏洞的系统，仍需展示相关行为；反之，产生无法解释的失败结果的系统，会给工程师留下额外的解读工作。有用的自动化必须将假设、测试、观察到的行为和结论连接起来。

基准测试的限定任务也有助于采购方区分能力与覆盖范围。能力关注系统能否完成某项特定调查；覆盖范围关注其能够评估哪些应用、环境和漏洞类别。高分支持评估范围内的能力主张；覆盖范围则需要额外证据。

这种区分应当影响采购讨论。采购方应要求供应商说明其系统能够可靠完成哪些工作。“复现已报告的软件漏洞”比关于自主安全能力的宽泛表述传达了更清晰的承诺。它也为试点项目提供了一项工程师能够直接评估的任务。

因此，实际运营风险点是具体的。如果自动化能够可靠完成复现工作，分析人员就可以减少用于确认报告是否描述了可观察问题的精力。剩余工作包括评估影响、协调责任归属及审查拟议响应。即便初始技术调查有所改善，这些职责仍然重要。

360 将专业协同置于分数背后

Tulongfeng 报告中的设计强调协同安全工作，使系统架构本身成为该主张的一部分。

10 月的报道描述了一种与专业智能体协作的安全专用语言模型。根据该报道，不同角色将调查划分为多个阶段，从提出假设到完成验证。所提出的优势来自安全知识、工具和协同机制的结合。

这是一项系统层面的主张。模型推理代码的能力固然重要，但围绕模型的流程同样重要。周边软件决定模型接收哪些证据、能够采取哪些行动，以及如何处理未成功的尝试。这些选择会影响最终结果。

专业化具有合理的逻辑。一种专注于定位相关代码的角色，可以为测试假设的另一角色提供证据；验证角色则可以评估观察到的行为是否支持最初主张。从理论上看，职责划分使复杂调查更易于管理。

但这一解释仍只是一种合理推断，而非对 Tulongfeng 为何获得所报告分数的已验证说明。报道没有提供足够的受控比较，无法分离各组成部分的贡献。它无法证明协同机制、模型训练、工具还是资源分配带来了最大的提升。

清华大学 RedbudAI 的工作提供了一个有益对照。其已发布的单模型评估报告称，使用 GLM-5.2 的成功率为 86.2%，单独的重复尝试分析则达到 93.6%。作者区分了这些测量结果，而非将其呈现为可互换的结论。

RedbudAI 还描述了本地执行、受限网络以及每项任务指定的最终测试。这些细节使其结果更易于解读。它们揭示了数字背后的运行条件，尽管并未建立与 Tulongfeng 的受控比较。

这一比较说明了一个更广泛的分析问题。单模型系统仍可能包含大量编排，即组织工具和调查步骤的软件；多智能体系统在角色独立运作的程度上也可能差异很大。标签本身几乎无法告诉采购方实际完成了什么工作。

因此，Tulongfeng 所报告的领先地位不能证明专业智能体团队在所有情况下都优于其他设计。要证明这一点，需要让其他条件保持可比。在缺乏此类控制的情况下，该结果描述的是一个完整配置的表现。

同样的克制原则也适用于涉及 OpenAI、Anthropic 或 Google 的比较。专业安全系统与接入智能体框架的通用模型是不同的评估对象。任何比较都应先识别完整配置，再就底层模型得出结论。

对开发者而言，这会将关注点转向阶段之间传递的证据。调查者是否保留了原始假设？验证者是否检查了相关执行结果？另一位工程师能否重建推理过程？相比智能体数量，这些问题更直接地将架构与实际信任联系起来。

这正是 360 技术故事变得有趣之处。其主张促使人们审视安全专业知识如何进入工作流程，并在连续决策中得以保留。更详细的发布材料将有助于区分可重复的工程优势与有吸引力的架构描述。

接近满分的成绩使评估细节更为重要

接近最高分的结果，更凸显评分规则、资源限制和可复现证据的重要性。

CyberGym 的维护者提醒，各团队自行评估并提交结果。他们还警告称，强系统之间的微小差异未必代表具有意义的能力差距。这些限定条件直接影响读者应如何理解“第一名”的标题。

在高性能水平下，排名本身的解释力有限。买方需要了解系统在任务成功率、资源使用、可靠性或评估条件方面是否存在差异。微小的数值优势，可能同时伴随重大的运营劣势；也可能反映出值得进一步研究的真实改进。

官方提交要求已认识到这一问题。除成功率外，要求还规定披露成本，并要求提供模型使用情况、任务时长、示例日志和最终结果。这些信息有助于揭示完成任务实际需要付出的代价。

对于企业买方而言，任务时长之所以重要，是因为安全调查需要与工程交付期限竞争资源。资源使用同样重要，因为系统配置必须适配现有基础设施。波动性也很关键，因为偶发的长时间任务可能令调度更加复杂。这些考量并不否定高成功率；它们决定了成功率的实际价值。

评分规则同样值得关注。CyberGym 的最终提交规则要求系统明确指定其最终答案。如果改为认可任意一个成功候选结果，那回答的将是另一个问题。当系统在调查过程中生成多个候选结果时，这一区别尤为重要。

选择正确输出本身就是一项有用能力。工程师需要的是无需在一堆未经解释的尝试中搜索、即可直接采取行动的结果。即使系统最终生成了有效证据，也仍需具备可靠识别并呈现该证据的方式。

所披露的三次评估还留下了一个方法论问题。重复评估可以衡量一致性，但在单项任务中提供重复机会，也可能改变成功指标。现有报道并未充分说明这种关系对 Tulongfeng 的影响。更详细的文档将有助于澄清各次运行中哪些条件保持不变。

“独立”一词在这里应谨慎使用。单独运行并不必然意味着由独立的外部评估者完成。所审阅的报道并未指出有外部实验室复现了完整结果。读者不应仅凭对重复评估的描述，就推断存在独立审计。

网络访问带来了另一个比较问题。当历史漏洞已有公开修复方案或说明时，访问公开信息可能引入捷径。这是基准测试普遍面临的问题，并非 360 存在不当行为的证据。透明的访问政策有助于审阅者判断，结果是否反映了预期任务。

其他配置选择同样会影响解读。可运行的脆弱应用与仅查看源代码所提供的反馈不同。跨任务积累的记忆会改变系统在后续调查中携带的信息。文档应将这些选择公开，以便读者进行可比比较。

这些尚未解决的细节支持一个审慎的结论：360 的 CyberGym 结果值得技术层面的关注，但要作出明确的领先结论，仍需更多证据。对方法论的不确定性应引导后续报道，而不应演变为缺乏依据的指控，或被头条叙事所掩盖。

企业价值取决于复现之后发生了什么

商业层面的关键问题在于：一次成功的调查，是否能减少作出并落实安全决策所需的工作。

复现出的漏洞为工程团队提供了可供具体审查的对象。它可以支持研究人员、维护者和应用所有者之间的沟通。不过，组织仍需确认受影响代码是否存在于自身环境中，以及何种响应才合理。

设想一个正在评估某软件依赖项报告的团队。系统或许能在预先准备的环境中复现相关行为。随后，团队仍必须检查其已部署的版本和使用方式是否暴露出同样的问题。这一评估将技术结果与运营相关性连接起来。

下一项决策关乎修复，即消除或降低安全问题的工作。拟议修复方案需要审查和测试。团队还必须考虑部署限制及意外行为。复现为这一过程提供了有价值的证据，但并不能完成其中的每一步。

这正是基准类别重要的原因。名为 CyberGym-E2E 的独立端到端基准测试涵盖漏洞发现、概念验证生成和补丁生成。其更广的范围突出了评估完整防御生命周期所涉及的额外工作。

更广泛的评估并不意味着复现不重要。相反，它界定了不同任务之间的边界。组织可能受益于出色的复现助手，却不将发现或打补丁的工作交给它。清晰的边界让团队能够采用有用能力，同时保留恰当的审查机制。

10 月的报道还对 Tulongfeng 的部署情况和漏洞发现作出了更广泛的主张。这些说法应有各自的支持证据。客户参与、已确认发现和已完成修复代表不同类型的结果，不应合并为单一的有效性印象。

对买方而言，最有参考价值的证据，应将一项发现与其解决结果联系起来。问题是否得到负责维护者的确认？调查是否为修复提供了足够背景？接收团队是否能够复现结果？这些问题检验自动化是否能跨越组织边界转移有用的工作成果。

它们也有助于揭示隐藏的人力投入。系统可能在大量环境准备或专家介入后表现出色。此类协助完全可能是正当的。买方只需了解，哪些职责仍需由自己的员工承担。

在这一交接环节，知识管理变得相关。工程师需要让原始报告、环境细节、复现记录和审查决策保持关联。一个可搜索的工程知识库能够满足这一文档需求，而这与安全系统本身的技术能力相互独立。

当调查更换负责人时，这种关联尤为重要。只有原始操作人员才能理解的结果会带来额外工作。文档化的结果则允许另一位工程师检查假设并继续响应。因此，除了自动化成功率之外，可追溯性也应属于运营价值的讨论范畴。

对企业而言，其含义十分具体：安全厂商面临着证明其能交付完整、可审查工作单元的压力。对 360 来说，强劲的复现表现将构成可信的起点。可靠交接和已解决发现的证据，则能说明这项能力延伸至日常安全运营的程度。

三个信号将澄清结果

下一批有用证据将涉及提交的配置、其效率，以及超出历史复现范围的结果。

首先，应关注 Tulongfeng 是否发布详细的评估说明，将报告得分与特定基准配置关联起来。说明应明确模型、工具访问权限、评分规则和有代表性的调查记录。这将让读者准确了解所报告结果描述的对象。

清晰的发布说明将增强人们对该主张适用范围的信心，也会使外部审查更具可行性。如果文档仍仅限于头条中的百分比，信心也应相应保持有限。缺少详细说明会令问题悬而未决，但并不能证明报告结果是错误的。

其次，应关注 360 及其他安全智能体开发商是否披露可比的效率数据。任务时长、模型使用情况和资源需求将揭示不同系统如何取得结果。这些衡量指标将帮助买方在任务完成情况之外评估运营适配度。

一个能够持续产生可审查证据的高效系统，将支持更有力的采用理由。需要大量资源的配置，仍可能适合专业化调查。关键在于识别它服务的工作负载，而不是假定所有高分系统都属于同一部署类别。

第三，应关注历史评估之外的软件中，是否出现有文档记录的发现和修复结果。维护者确认、可复现证据和已完成修复，将为更广泛的发现主张提供具体支持。清晰的报告应区分新发现的问题，与已知问题的复现或变体。

这些信号应引导未来数月的报道。它们能够强化或收窄对 Tulongfeng 所报告表现的解读，而无需预测谁将在安全自动化领域占据主导。眼下的新闻仍是这一主张本身，以及其背后的工程方法。

对于开发者和安全买方而言，应将 360 的 CyberGym 结果视为在改变工作流程前审查证据的提示。询问系统完成了什么任务、获得了哪些信息，以及审阅者如何核查其最终输出。然后，将这些答案与团队实际需要完成的调查相联系。将报告得分与其配置、局限性和支持记录一并考量。当详细工件或已确认发现出现时，再重新评估。如果正在比较供应商，请向每一家提出同样的信息披露要求。哪一个系统能让你的工程师得到一项可被独立理解、复现并用于解决安全问题的结果？