CWE-bench v2: 扩展覆盖、提升质量与透明度的安全评测基准

Collinear AI发布CWE-bench v2，包含100个安全测试任务，覆盖91种不同CWE漏洞。评测显示Gemini 4 Argon以67.8% pass@1领先，但即使最佳模型仍有19%失败率。基准完全开源，支持从Hugging Face直接运行。