CWE-bench v2 发布：DeepSeek V4.1 Flash 在 AI 安全测试中展现极高性价比

Collinear AI 联合 Hugging Face 发布 CWE-bench v2，这是一个包含 100 个任务的开源基准，旨在评估 AI Agent 在真实开源仓库环境中发现并修复安全弱点的能力。该基准覆盖 91 种不同的 CWE（通用弱点枚举）类别，采用全程序化评分机制以确保结果可复现且无额外成本。

在已评估的 11 个模型中，Gemini 4 Argon 以 67.8% 的 pass@1 准确率领跑，紧随其后的是 Claude Opus 5.5（67.3%）。尽管前 95 个任务均被至少一个模型解决，但即便是领先模型在每次尝试中仍有 19% 的任务失败率，表明长尾问题的解决远未完成。更关键的发现在于单位经济效率：DeepSeek V4.1 Flash 在 $0.04 的单次运行成本下达到了 57.0% 的准确率，构成了帕累托前沿的最优解；相比之下，Claude Opus 5.5 需支付 $1.83 才能提升约 10 个百分点的准确率，而 Gemini 4 Argon 则需 $3.92。

这一数据揭示了当前 AI 安全领域的商业现实：追求极致准确率并非唯一路径，对于防御性 Agent 的训练与部署，高性价比的模型往往更具实用价值。材料明确区分了事实（如各模型的 pass@1 数值和具体成本）、推断（如长尾问题未解决）与猜测（如未来模型性能走向），为开发者选择安全评估工具提供了基于数据的决策依据。