Collinear AI 发布 CWE-bench v2：扩大测试覆盖率、质量与透明度

Collinear AI 发布 CWE-bench v2，公开了包含 100 个任务的公共测试集，旨在测试前沿网络安全能力。测试结果显示，Gemini 4 Argon 在 11 个被评估的模型中以 67.8% 的 pass@1 领先，Claude Opus 5.5 紧随其后。该基准测试所有任务均采用自包含的 Harbor 任务形式，支持直接从 Hugging Face 仓库运行评测。