Collinear AI发布CWE-bench v2：100个漏洞修复任务覆盖91类CWE

Collinear AI于11月3日发布CWE-bench v2，面向公众开放100个任务，用于评估AI模型在真实开源仓库中查找并修复安全漏洞的能力。任务覆盖91种CWE漏洞类别，评分完全程序化，结果可复现且无需额外成本。

在已评估的11个模型中，Gemini 4 Argon以67.8%的pass@1和81.0%的pass@4领先，Claude Opus 5.5以67.3%和78.0%紧随其后。95个任务至少被一个模型解决，但领先模型仍有19%的任务在所有尝试中失败。

成本方面，DeepSeek V4.1 Flash（pass@1 57.0%，每次运行US$0.04）、Claude Opus 5.5（每次运行US$1.83）和Gemini 4 Argon（每次运行US$3.92）构成Pareto前沿。每个任务都是自包含的Harbor任务，可通过Hugging Face仓库直接运行。数据集设有访问门槛，需先在数据集页面接受访问条件；另有保留集可用于进一步评估，联系cyber@collinear.ai获取。任务还标记为rl-environment，可提供奖励信号用于训练防御型智能体。