谁能在代码中找出“幽灵”？实测各大模型在安全审计领域的极限表现

本文报道了一项针对大语言模型代码安全审计能力的极限测试。作者构建了一套基于 Mythos（Anthropic 未公开的顶尖漏洞挖掘模型）所发现漏洞的基准测试集，旨在验证当前公开可用的模型是否具备同等的安全挖掘能力。测试涵盖了 OpenAI 的 GPT 5.5 Pro、Anthropic 的 Opus 4.8、Google 的 Gemini 系列以及开源的 Qwen 3.6、DeepSeek 和 Gemma 4 等模型。结果显示，虽然 Mythos 仍保有独特优势（发现了 4 个其他所有模型均未发现的漏洞），但顶级商业模型并非不可撼动。最大的惊喜来自于开源模型：Qwen 3.6 表现惊人，DeepSeek 和 MiMo 以极低成本达到了与顶尖商业模型接近的准确率，而 Google 的 Gemma 4 MoE 甚至发现了一个极具挑战性的漏洞。此外，测试还发现使用 AI Agent 并未显著提升审计效果，反而增加了成本和延迟。

事件分析

💡 核心观点：开源模型在垂直代码推理领域的崛起，正迅速打破前沿模型在安全审计等高难度任务上的绝对垄断。