独立 AI 评测机构 Artificial Analysis（AA）于北京时间 10 月 24 日凌晨（UTC 10 月 23 日 17:23）公布其 Cyber Index 网络安全评测结果：DeepSeek-V4.1-Flash-1017（max 档）得分 57%，成为这份衡量 agentic（智能体式）网络防御能力的指数上排名最高的公开可用模型，总榜第 2，仅次于通过 OpenAI 受信任访问计划提供的 GPT-6 Sol（Daybreak Blue，max，69%）。这一成绩比上一代 DeepSeek V4.1 Flash 的 41% 高出 16 分；每任务成本 0.42 美元，AA 称其处于能力-成本 Pareto（帕累托）前沿。

Artificial Analysis Cyber Index 榜单卡片：DeepSeek V4.1 Flash 1017 (max) 以 57 分居首，Grok 4.7 (xhigh) 与 MiMo-V2.6-Pro 均为 56 分

（AA 的 Cyber Index 榜单卡片：DeepSeek-V4.1-Flash-1017 max 档以 57 分居公开可用模型第一。图片来源：Artificial Analysis 评测页）

被评测的模型是 DeepSeek 旗舰开源权重模型 V4.1 Flash 的更新版：DeepSeek 于 10 月 17 日在 Hugging Face 以 MIT 许可发布其权重，模型卡称其在推理、编码、agentic 与视觉基准上全面提升，同时缩短输出、加快任务完成。AA 已在 10 月 19 日（UTC）发布过该模型的智能指数评测：45 分，与 GLM-5.3 并列开源权重模型第二，按每百万 token 输入 0.30 美元、输出 1.20 美元定价，支持 1M token 上下文。Cyber Index 是 AA 对该模型的又一份独立评测。文中 AA 榜单分数均取自该模型的 max 档——按 Cloudflare Workers AI 文档，该模型提供 none、low、high、max 四档推理力度。

CyberGym-E2E-AA 跃升 53 分，其余两项一平一退

AA 给出的分解显示，CyberGym-E2E-AA 从上一代的 23% 升至 76%；CWE-Bench-AA 从 68% 到 69%，基本持平；DeepsecBench-AA 从 31% 降到 25%。Cyber Index 取三项等权重平均、各占三分之一，按此复算，上一代 (68+31+23)/3≈41，本次 (69+25+76)/3≈57，与 AA 公布的总分吻合。

涨分所在的 CyberGym-E2E-AA 并非简单答题。据 AA 的方法学说明，它取自 131 个 C/C++ 项目中的 131 个内存安全漏洞，要求 agent 产出能触发 sanitizer（内存错误检查工具）崩溃的概念验证输入，并提交通过功能测试的源码补丁，按 pass@1（一次通过率）计分。

公开可用模型的排名也随之改变：此前的领先者是 Grok 4.7（xhigh）与 MiMo-V2.6-Pro（均为 56%），DeepSeek-V4.1-Flash-1017 高出 1 分。

Cyber Index 只测防御：真实代码库中的发现、复现与修补

该指数由 AA 与 Cyber Index Alliance 合作制定，成员包括 Collinear AI、IBM、NVIDIA 与 Vercel；三项成分评测分别来自 Collinear AI（CWE-Bench-AA）、Vercel（DeepsecBench-AA）与 Berkeley RDI（CyberGym-E2E-AA）。CWE-Bench-AA 含 120 个不公开的 held-out 任务，覆盖 OWASP Top 10（2025）全部十类，让 agent 审计真实开源仓库并修补所发现的问题；DeepsecBench-AA 要求对开源应用代码做静态审查、提交漏洞发现，由 LLM 评审对照专家核验的金标集打分，三次重复取中位 F2 分数。

方法学上有两处边界直接影响这份榜单的读法。其一，所有模型都在 AA 开源的 agent harness（智能体运行框架）Stirrup 上以相同提示与工具运行，评测主要经由公开可访问的 API 进行——AA 称这衡量的是开发者实际可用的网络防御能力。其二，指数只测防御：每个任务都从持有源码开始，没有任何任务要求把漏洞做成可用的 exploit（可实际运行的攻击代码），也不覆盖事件响应或无源码目标。

成本测算：比 MiMo-V2.6-Pro 贵，比 GPT-6 Sol 便宜

成本是 AA 列出的第三个关键结果。DeepSeek-V4.1-Flash-1017 跑完一个 Cyber Index 任务平均花费 0.42 美元：是 56 分的 MiMo-V2.6-Pro（每任务 0.18 美元）的两倍多，约为 GPT-6 Sol（每任务 1.77 美元）的四分之一，AA 据此把它放在能力-成本 Pareto 前沿上。这是 Cyber Index 口径下的每任务成本——AA 智能指数对该模型的同一指标为每任务 0.26 美元，两个指数任务构成不同，数字不能直接互比。

两个保留项：拒答压分与 DeepsecBench-AA 退步

AA 自己给这份榜单加了一条口径提醒：许多专有模型——包括 OpenAI、Anthropic 与 Google 的模型——可能具备更强的防御能力，但安全拒答拉低了它们的总分；GPT-6 Sol 的受信任访问版本比其公开版本高 32 分，AA 将差距主要归因于更少的拒答，而 DeepSeek-V4.1-Flash-1017 在评测中未遇到安全拒答。AA 在方法学中说明会记录安全拒答情况并单独报告。「公开可用第一」衡量的是公开渠道可达的能力，并不等于全体模型的防御能力上限。

分数内部还有一处反常：三项成分中唯一退步的 DeepsecBench-AA 丢了 6 分，而 CyberGym-E2E-AA 同期上升 53 分——端到端修复能力大幅提升的同时，按金标集匹配漏洞发现的静态审查水平反而下滑。所有分数均出自 AA 自有方法论下的单一机构口径；AA 也在方法学中写明，这项指数与其他评测指标一样存在局限，未必直接适用于每个使用场景。

参考链接

本文由 AREX Agent 基于公开网络信源自动整合梳理。
AI 可能存在信息遗漏、时序偏差或事实误判。文中观点与事实请结合文末原始链接交叉核验，请勿直接作为决策依据。

内容中包含的图片若涉及版权问题，请及时与我们联系删除