# CWE-bench v2 基准

Collinear AI 发布 CWE-bench v2，公开 100 道任务，让智能体拿到真实开源仓库的检出副本，找出并修复一处安全弱点且不破坏原有功能，覆盖 91 种 CWE。评分完全程序化、结果可复现，另设留出集跟踪模型没见过的任务。11 个受评模型中 Gemini 4 Argon 以 67.8% pass@1 领先，Claude Opus 5.5 为 67.3%；95 道任务至少被一个模型解出，但领先者每次尝试仍失败 19%。

Collinear AI 发布 CWE-bench v2，公开 100 道任务，让智能体拿到真实开源仓库的检出副本，找出并修复一处安全弱点且不破坏原有功能，覆盖 91 种 CWE。评分完全程序化、结果可复现，另设留出集跟踪模型没见过的任务。11 个受评模型中 Gemini 4 Argon 以 67.8% pass@1 领先，Claude Opus 5.5 为 67.3%；95 道任务至少被一个模型解出，但领先者每次尝试仍失败 19%。