CWE-bench v2 扩大覆盖并公开网络安全基准任务

Collinear AI 发布 CWE-bench v2，公开100个覆盖91种CWE的任务，用于评估智能体在真实开源仓库中发现并修复安全弱点的能力。11个模型中，Gemini 4 Argon以67.8%的pass@1和81.0%的pass@4领先Claude Opus 5.5；任务、评分器和运行框架均已开源，可通过Hugging Face Hub上的Harbor运行。