Vals AI 推出的 CyberOffense 是面向自主 AI 红队 Agent 的网络攻防基准，在模拟企业内网环境下，受限版本 GPT-6 Sol Daybreak 达成 80.8% 攻击目标完成率，开放权重 DeepSeek V4.1 Flash 1017 以 72.8% 紧随其后，单次任务成本 DeepSeek 约 3 美元，GPT-6 Sol 约 22 美元，开放模型以极低成本逼近闭源模型的自主渗透能力。很多人容易只看百分比，忽略评测环境、Token 消耗曲线、模型访问权限差异，同时误读成本数据；这套基准分为 Nova、Lighthouse 两套难度场景，DeepSeek 前期推进缓慢，大量有效突破集中在 1 亿 Token 之后，短时间评测很容易低估它的攻防潜力，另外 GPT-6 Sol 属于受限准入模型，普通开发者无法直接调用，而开放权重模型本地部署后不受平台管控，安全风险模式完全不同。下面把基准设计、榜单数据、成本差异、模型行为特征、安全启示拆开讲清楚。
一、Vals AI CyberOffense 基准基本介绍
CyberOffense 是 Vals AI 面向 AI 自主渗透 Agent 的独立攻防评测，测试环境为隔离的 Kali 虚拟机，AI Agent 仅拿到一个公网入口，全程自主完成信息收集、漏洞探测、利用、横向移动、权限获取、数据提取等红队链路，没有人工干预。
- 两套测试场景
- Nova：基础模拟企业环境，目标总量 21 个
- Lighthouse：高难度复杂内网，目标总量 31 个，更贴近真实大型企业网络
- 评测指标：攻击目标完成率、总耗时、Token 消耗量、单次运行成本
- 测试前提：所有模型作为 Agent 自主执行，自带工具调用、命令执行、漏洞检索能力，不预先植入漏洞提示
二、核心模型评测数据对照表
| 模型 | 模型属性 | 整体目标完成率 | Lighthouse 场景完成量 | 单次运行成本 | 访问权限 |
|---|---|---|---|---|---|
| GPT-6 Sol Daybreak | 受限闭源（Daybreak 可信计划） | 80.8% | 27/31 | 约 22 美元 | 受限准入，不可公开下载 |
| DeepSeek V4.1 Flash 1017 | 开放权重 | 72.8% | 21/31 | 低于 3 美元 | 权重可获取，可本地私有化部署 |
| Kimi K3.1 Pro | 闭源商用 | 61.9% | 20/31 | 中等 | 商用 API |
| Meta Wonder | 闭源 | 33.3% | 28/31 | 中等 | 受限访问 |
补充说明：Meta Wonder 在 Lighthouse 高难度场景表现特殊，高难度子目标完成数量很高，但基础 Nova 场景表现偏弱，能力分布和 GPT-6 Sol、DeepSeek 不一样。
三、两款头部模型的行为差异
- GPT-6 Sol Daybreak
- DeepSeek V4.1 Flash 1017
推理效率高，在 1 亿 Token 以内就能完成大部分攻击链路，Lighthouse 场景 3 小时内跑完，任务节奏稳定，路径规划更顺滑；但它是 OpenAI Daybreak 项目的受控模型，只对特定可信研究主体开放，外部无法随意调用。
前期弱，前 2500 万 Token 几乎没有有效突破，绝大部分攻击成果在 1 亿 Token 之后才出现；优势是成本极低，权重开放，攻击者可以本地部署、二次微调、脱离平台审计，管控难度远高于 API 受控模型。
关键结论：短评测、早终止的测试，会严重低估这类开放权重模型的攻防上限。
四、成本差异带来的安全影响
DeepSeek 单次跑通整套 Agent 渗透流程成本不到 3 美元，GPT-6 Sol 约 22 美元，成本差距接近 7 倍。
- 红队 / 防御侧：可以低成本大批量跑自动化渗透、反复验证防御策略，适合防御团队做常态化验证
- 攻击侧：黑产可以低成本批量重试、多轮爆破、并行试错，攻击试错成本大幅下降，攻击门槛被压低
- 成本不是线性对应成功率：DeepSeek 只是 “同等任务成本更低”，不代表它的渗透速度更快
五、本次基准的核心安全启示
- 开放权重模型的攻防能力快速追赶闭源头部模型，二者差距缩小到 8 个百分点
- 管控模式是核心风险分水岭：闭源受限模型可以通过平台权限、日志、调用审计做约束；开放权重模型一旦流出，没有中心化关停渠道
- 传统短时长、少 Token 的模型能力榜单，不适合评估自主 Agent 攻防能力
- 防御体系不能只依赖 “禁止 API 访问”，要假设对手可以本地部署开放模型、自主生成渗透链路
六、基准局限与注意事项
- 全部是隔离仿真环境，不等于真实互联网，真实网络有更多 WAF、EDR、告警、流量审计，成功率会下降
- 仅测进攻侧（CyberOffense），不包含漏洞修复、防御检测的 CyberBench
- 成本是本次评测特定配置下的测算值，不同推理引擎、部署方式、上下文长度会改变成本
- 测试是研究用途，不代表模型本身被设计用来攻击，是评估模型被用作攻击 Agent 时的能力上限
七、落地避坑清单
- 不要直接拿 72.8%、80.8% 当成真实入侵成功率，这是仿真靶场指标
- 区分 CyberOffense（进攻）和 CyberBench（漏洞挖掘修复）两个不同 Vals 基准，榜单不能混用
- 开放模型风险重点不是 “更强”，而是不可控、可本地离线跑、可反复微调
- 做防御演练时，要给 Agent 足够 Token 预算，否则会低估开放模型攻击潜力
- 不能只看百分比，Lighthouse 高难度场景和 Nova 基础场景的难度差距很大
【相关 FAQ】
问题 1：Vals AI 网络攻防基准里 GPT-6 Sol 80.8%、DeepSeek 72.8%，这两个数据代表 AI 可以直接入侵真实企业吗？
回答 1：Vals AI CyberOffense 的百分比是隔离仿真靶场里的攻击目标完成率，不等于真实互联网入侵成功率；靶场环境干净、没有真实流量审计、EDR、WAF、人工研判告警，真实环境会大幅降低成功率，该指标用于评估 AI Agent 的渗透能力上限。
问题 2：Vals AI 评测里 DeepSeek 单次成本约 3 美元，GPT-6 Sol 约 22 美元，为什么开放模型便宜这么多？
回答 2：DeepSeek 是开放权重模型，可以本地部署推理，不需要调用高价闭源 API；GPT-6 Sol 属于受限闭源模型，走官方受控推理通道，本身单价更高，同时它推理效率更高、Token 消耗模式不同，叠加起来单次成本差距明显。
问题 3：在 Vals AI CyberOffense 基准中，DeepSeek V4.1 Flash 有什么特殊表现，为什么短评测容易低估它？
回答 3：在 Vals AI 攻防基准里 DeepSeek 前期几乎没有有效突破，大量攻击成果是在 1 亿 Token 之后才拿到；如果评测设置比较短、提前停止，就看不到它后面的渗透能力，所以短周期测试会低估这款开放权重模型的攻防潜力。
问题 4：GPT-6 Sol 在 Vals AI 攻防基准里排名第一，普通开发者可以直接拿来做红队测试吗？
回答 4：GPT-6 Sol Daybreak 属于 OpenAI Daybreak 可信计划内的受限模型，不对外开放，普通开发者无法直接申请调用；而 DeepSeek 是开放权重，任何人拿到权重后都可以本地部署，二者管控模式完全不一样。
【参考资料】
[2026-10-23]（Vals AI CyberOffense 官方榜单、评测方法）Vals AI 官网
[2026-11-07]（Vals CyberOffense：开放模型 72.8%，成本对比分析）SHAttered
[2026-11-07]（Vals 测试：AI Agent 自主攻陷模拟企业网络，GPT-6 Sol 领先）The Decoder
[2026-11-07]（Vals AI 基准解读：开放权重模型带来的网络安全风险）TipRanks
[2026-11-07]（Vals CyberOffense 靶场、Agent 执行流程说明）IKANGAI AI News
【免责声明】
本文是 Vals AI CyberOffense 攻防基准的研究科普解读，所有测试均在隔离仿真靶场、受控研究场景下开展；AI 渗透能力仅为安全研究评估，严禁使用任何大模型、AI 工具开展未授权网络攻击；开放模型本地部署后存在较高滥用风险，企业防御建设需要综合考虑开放模型攻击链路；榜单成功率、单次成本为本次评测特定配置下的统计结果，模型版本、推理后端、测试环境变化会带来数值变动，不代表真实攻击效果。
本文来自作者[光构寻址官]投稿，不代表乌兰科技网立场，如若转载，请注明出处：https://www.wlcbnews.com/rgzn/202611/74.html
评论列表（4条）
我是乌兰科技网的签约作者“光构寻址官”！
希望本篇文章《Vals AI CyberOffense 网络攻防基准解读｜受限 GPT-6 Sol、开放权重 DeepSeek 评测结果、成本差异与风险分析》能对你有所帮助！
本站[乌兰科技网]内容主要涵盖：互联网行业的追踪与探索
本文概览：Vals AI 推出的 CyberOffense 是面向自主 AI 红队 Agent 的网络攻防基准，在模拟企业内网环境下，受限版本 GPT-6 Sol Daybreak 达成 80.8% 攻击目标完成率，开放权重 DeepSeek V4.1 Flash 1017 以 72.8% 紧随其后，单次任务成本 DeepSeek 约 3 美元，GPT-6 Sol 约 22 美元，开放模型以极低成本逼近闭源模型的自主渗透能力。很多人容易只看百分比，忽略评测环境、Token 消耗曲线、模型访问权限差异，同时误读成本数据；这套基准分为 Nova、Lighthouse 两套难度场景，DeepSeek 前期推进缓慢，大量有效突破集中在 1 亿 Token 之后，短时间评测很容易低估它的攻防潜力，另外 GPT-6 Sol 属于受限准入模型，普通开发者无法直接调用，而开放权重模型本地部署后不受平台管控，安全风险模式完全不同。下面把基准设计、榜单数据、成本差异、模型行为特征、安全启示拆开讲清楚。