BenchLeader

CyberBenchのリーダーボード

2026年11月16日時点で、CyberBenchの最高スコアは80.4%で、Muse Wonder(Meta)が記録しています。次点はGPT-6 Solの78.0%です。公表された結果があるのは46のモデル構成です(Vals AI、結果の日付は2026年11月5日)。脆弱性を含むコードベースを渡し、エージェントにそれを見つけてパッチを当てさせます。エクスプロイトが通用しなくなり、テストにも合格する必要があります。CyberBenchは参考として掲載しており、BenchLeader Indexには含まれません。

要点(2026年11月16日時点)

  • Muse WonderがCyberBenchの最高スコア80.4%を記録しています(Vals AI、2026年11月5日)。
  • CyberBenchの2位はGPT-6 Solで、78.0%です(Vals AI、2026年11月5日)。
  • CyberBench:実際のコードにあるセキュリティバグを見つけて修正するタスク。Vals AIが実施(Vals AI)。
  • BenchLeaderでは46のモデル構成にCyberBenchの公表結果があります(BenchLeader、2026年11月16日)。
  • CyberBenchはBenchLeader Indexには反映されず、参考として掲載しています(BenchLeaderの評価方法)。

実際のコードにあるセキュリティバグを見つけて修正するタスク。Vals AIが実施。

公開元
Vals AI
カテゴリ
エージェント・ツール
Indexでの重み
参考のみ
モデル
46
データ基準日
2026年11月16日

Vals AI (vals.ai).

どんなテストか

脆弱性を含むコードベースを渡し、エージェントにそれを見つけてパッチを当てさせます。エクスプロイトが通用しなくなり、テストにも合格する必要があります。

採点方法

修正できた脆弱性の割合で、Vals AIが実行しています。

注意点

CybenchのCTF形式を、防御側の作業で補完するものです。

46件中46件
#
1Muse Wondermax80.4%60.8$3.662026-11-05
2GPT-6 Solmax78.0%62.6$1.342026-11-05
3Gemini 4 Argonhigh77.9%65.3$5.112026-11-05
4GPT-5.6 Solmax76.3%65.3$3.052026-11-05
5GPT-6 Lunamax76.3%55.1$0.1342026-11-05
6Claude Haiku 5.5max75.5%55.3$1.252026-11-05
7MiMo-V2.6-Flash75.4%54.8$0.0462026-11-05
8Kimi K3max75.2%60.2$2.132026-11-05
9DeepSeek V4.1 Flashhigh73.7%55.6$0.1052026-11-05
10Muse Wonder Fullmax73.6%61.7$3.632026-11-05
11GPT-5.6 Lunamax73.6%56.2$0.4042026-11-05
12Daybreak Bluemax73.0%–$3.972026-11-05
13MiMo-V2.6-Pro72.9%57.5$0.0942026-11-05
14DeepSeek V4 Promax72.9%54.7$0.5932026-11-05
15Muse Spark 1.3max72.7%60.6$3.342026-11-05
16Inkling 2 Small72.7%57.9$1.272026-11-05
17GPT-5.6 Terramax72.1%59.5$3.312026-11-05
18GLM 5.3max72.1%58.8$2.692026-11-05
19DeepSeek V4 Flashhigh72.1%57.2$0.1932026-11-05
20Grok 4.5high71.0%56.8$2.952026-11-05
21Claude Fable 5.1max70.4%66.7$4.012026-11-05
22Muse Spark 1.2xhigh69.5%61.5$2.152026-11-05
23Ember-169.5%–$2.432026-11-05
24Grok 4.7xhigh69.5%57.4$8.542026-11-05
25Muse Spark 1.3xhigh69.4%58.1$4.262026-11-05
26GLM 5.3 Flashmax67.9%52.4$0.2842026-11-05
27Qwen3.8 27Bxhigh67.8%52.2$0.9902026-11-05
28Grok 4.6high67.7%60.6$4.072026-11-05
29Inkling66.8%50.4$1.462026-11-05
30Claude Opus 5max65.4%65.0$3.532026-11-05
31Hy465.4%56.7$0.4582026-11-05
32MiniMax M365.0%56.1$3.412026-11-05
33Inkling Small64.1%52.0$0.2522026-11-05
34Claude Sonnet 5max61.9%56.1$1.892026-11-05
35Claude Sonnet 5.5max59.6%64.2$2.912026-11-05
36Gemini 3.5 Flash Litehigh59.1%47.8$0.4252026-11-05
37Ling 3.0 Flash Af Rc358.3%–$0.1042026-11-05
38Claude Opus 5.5max55.4%68.4$2.852026-11-05
39Mercury 2.5high45.5%–$0.1252026-11-05
40Gemini 3.6 Flashhigh45.4%61.0$1.312026-11-05
41Gemini 3.7 Flashhigh43.8%62.1$2.152026-11-05
42Gemini 3.8 Flashhigh43.8%59.4$1.962026-11-05
43GPT-6 Astramax41.1%67.3$1.842026-11-05
44GPT-6.1 Solmax39.3%66.6$0.2852026-11-05
45Nemotron Lightning 3.5 30B A3B29.5%–$0.0932026-11-05
46Qwen3.8 Maxmax28.6%58.7$0.7852026-11-05

エージェント・ツールのベンチマークをもっと見る · LLMベンチマーク一覧

引用表記:BenchLeader「CyberBenchのリーダーボード」2026年11月16日時点のデータ、https://www.benchleader.com/ja/benchmarks/vals_cyber

CyberBench:よくある質問

CyberBenchは何を測るベンチマークですか?
脆弱性を含むコードベースを渡し、エージェントにそれを見つけてパッチを当てさせます。エクスプロイトが通用しなくなり、テストにも合格する必要があります。スコアは解けたタスクの割合(%)で示され、高いほど良い結果です。
CyberBenchの最高スコアは?
2026年11月16日時点で、CyberBenchの最高スコアは80.4%で、Muse Wonderが記録しています(結果の日付は2026年11月5日)。次点はGPT-6 Solの78.0%です。スコアはVals AIの公表値で、毎日読み直しています。
CyberBenchでトップのAIモデルは?
2026年11月16日時点で、CyberBenchの首位はMuse Wonderで、スコアは80.4%です(結果の日付は2026年11月5日)。続いてGPT-6 Sol(78.0%)です。
CyberBenchの結果があるモデルはいくつですか?
BenchLeaderでは46のモデル構成にCyberBenchの結果があり、すべてVals AIから取得しています。
CyberBenchを運営しているのは誰で、どのくらいの頻度で更新されますか?
CyberBenchはVals AIが公開しています。BenchLeaderは公開された結果を1日1回読み直し、各結果の公開日を記録しています。
CyberBenchはBenchLeader Indexに含まれますか?
いいえ。CyberBenchは参考として掲載していますが、総合スコアには含めていません。