中国第一，直逼OpenAI！神秘「扫地僧」冲到全球前七

发布时间：2026-07-17 10:28:18 来源：安智兰德资讯网 作者：综合

新智元报道

【导读】太疯狂了！中国第一一个连官网都没有的直逼神秘中国AI「扫地僧」，以 73.1%的神秘扫地僧冲惊人胜率杀入 CyberGym 全球前七，紧咬 OpenAI。到全全网都在疯传：这到底是球前谁家的高手？

这几天，在全球 AI 巨头厮杀正酣的中国第一一张榜单上，突然多了一个谁都没听过的直逼名字。

它叫 MopMonk（扫地僧）。神秘扫地僧冲

没有大张旗鼓的到全发布会，没有官博长文，球前没有社交媒体上的中国第一摇旗呐喊。

它就这么凭空出世，直逼径直杀入 CyberGym 全球前十。神秘扫地僧冲

凭借 73.1%的到全成功率，以微弱差距紧咬 OpenAI，球前一举刷新了中国团队在该榜单上的历史最高分。

整件事最魔幻的地方在于，时至今日，无人知晓它的真面目。

CyberGym 这份榜，到底有多重？

MopMonk 这次的成绩究竟有多炸裂？看看它所站上的擂台就知道了。

CyberGym，由 UC Berkeley 团队倾力打造，核心论文入选 ICLR 2026顶会。

传送门：https://arxiv.org/pdf/2506.02548

作为 AI 网络安全能力评估领域最权威的公开基准之一，这里堪称大模型的「修罗场」——

就连 GPT-5.5-Cyber、Claude Mythos这种级别的顶流，都曾在这个榜单里贴身肉搏。

整个基准主打「真枪实弹」：

• 1507个漏洞实例
• 188个开源大项目
• 所有考题全部扒自 Google OSS-Fuzz沉淀下来的真实历史漏洞

从评估维度来看，这是一个跨量级的突破。

它的体量，是此前最大公开基准（NYU CTF，约 200 题）的足足 7.5 倍，更是把 CVE-Bench 这种「前辈」直接甩出了一个数量级。

更要命的是难度，CyberGym 不做选择题。

它要求 AI 在动辄数千个文件、数百万行代码的真实项目里，完成深度推理。

正因为足够大、足够真、足够难，CyberGym 才有了「区分度」——

它能把不同模型、不同 Agent 框架之间那点真实的能力差距，一刀一刀地切出来。

难怪安全圈，直接将其封为「AI 安全领域的奥运会」。

也正因如此，全球头部玩家几乎全员到场，微软、OpenAI、Anthropic、谷歌、Meta、智谱……

CyberGym 榜单本身，正在见证 AI 竞争的一次关键转向：

从比谁参数大，转向比谁的 Agent 真能把活干完。

一个陌生的东方代号

突然出现在硅谷 AI 巨头中间

谁能料到，恰恰是在这个最靠「硬实力」说话的擂台上，杀出了一匹「查无此人」的黑马。

拨开迷雾，我们目前掌握的已知情报仅有三条：

• 神秘代号：MopMonk（扫地僧）
• 基座模型：MiniMax M3
• 榜单战绩：杀进 CyberGym 全球第七，中国第一

按常理，打出这种成绩的团队，技术报告和新闻发布会早该铺天盖地。

可在这份高手云集的榜单上，MopMonk 偏偏是那个最彻底的「异类」：只甩出一份技术报告，团队、公司、坐标，一概查无此人。

这种「实力顶配，信息裸奔」的碰撞，本身就充满了一种东方武侠式的戏剧性。

熟悉金庸的人，都懂《天龙八部》中「扫地僧」这三个字的分量——

少林藏经阁里那个扫了几十年地、没人记得姓名的老和尚，一出手却镇住了萧远山、慕容博两大高手。

最不起眼的角色，藏着最深的功夫。

敢顶着「扫地僧」的名号踢馆，这支团队显然对自己的实力，有着极其冷酷的自信！

更关键的线索，隐藏在它的技术底层——MopMonk 选用的基座，是 MiniMax M3。

作为一个来自上海的开源基座，M3 堪称六边形战士，直接集齐了三大核心杀器：

1. 前沿的编程能力
2. 1M 超长上下文
3. 原生多模态

一边是极具东方色彩的「文化符号」，另一边是打着纯正国产标签的技术底座。

把这两条线索摆上桌面，圈子已经收得很小了。所有的蛛丝马迹都在疯狂暗示同一个结论：

这大概率是一支中国战队。

胜负手，在 Harness

抛开身份悬念，作为长期追踪 AI 技术的人，我们更想搞清楚一个问题：

MopMonk 凭什么赢？

要回答这个问题，得先回到 CyberGym 最难的那个核心——它考的根本不是「知不知道」，而是「做不做得到」。

判断一段代码有没有漏洞，对今天的大模型来说已经不算太难。

但 CyberGym 要考的是下一步、也是最要命的那一步：生成一个能触发漏洞的输入，也就是 PoC。

它必须在「有漏洞的版本」上触发，在「已修复的版本」上失效，并通过基准环境的执行验证。

这道坎，远比想象中刁钻。

漏洞的触发条件，往往零散地藏在代码路径、解析逻辑、构建环境、测试 Harness 和输入格式之间，得一点点拼出来。

更坑的是，哪怕 PoC 在本地把程序跑崩了，也未必算数。只要不能满足「漏洞版触发、修复版不触发」的差分判定，照样白忙一场。

这一步，把任务从「理解」彻底拽进了「执行」。而且是一种很特殊的执行——

整场考试，是在一个封闭、断网的环境里进行的。

没有外部搜索可以求助，没有任何「场外资源」，AI 能依靠的，只有对眼前这套代码库的理解，和它自己一步步攒下来的记忆。

要在这种条件下把漏洞「复现」出来，靠的是一整套环环相扣的能力：

• 工具调用规划：什么时候该读文件、什么时候该跑测试、什么时候该回头改方案；
• 多轮推理：上一次没触发，问题到底出在哪，下一次该怎么调整；
• 记忆管理：把读过的代码、试过的输入、踩过的坑结构化地存下来，而不是每一轮都从零再读一遍；
• 迭代验证：一遍遍逼近那个临界点，直到漏洞真的被复现。

换句话说，CyberGym 较量的核心，是 Agent 的「行动力」，模型的「智商」只是入场券。

而把「聪明」变成「行动力」的那个关键环节，就是今天整个 Agent 领域最被低估的一个词——Harness。

Harness，是模型与外部工具、执行环境之间的「协调层」。

它负责工具编排、上下文状态管理、执行反馈的回收与再投喂。

简单来说，模型是大脑，负责思考「漏洞可能在哪、下一步该怎么挖」。

Harness 是手脚加神经系统，负责把大脑的想法变成一连串真实动作——

打开哪个文件、跑哪条命令、拿到报错后怎么调整、上一轮失败了下一轮怎么改。

在 CyberGym 这种要跑几十上百轮、要在百万行代码里反复试错的任务上，Harness 的好坏，直接决定了模型的智商能不能转化成战斗力。

• 一个聪明的模型 + 一个平庸的 Harness，结果往往是「想得到、做不到」；
• 一个能力扎实的模型 + 一个为漏洞挖掘量身打造的强 Harness，才可能在这种长程任务上跑出成绩。

为漏洞挖掘「量身定制」的 Agent

如今，透过 GitHub 技术报告，MopMonk 的技术脉络，已然明晰：

一款专为漏洞挖掘全新设计的安全多 Agent 系统，而支撑其运转的思维基座，正是 MiniMax M3。

GitHub 地址：https://github.com/MopMonkAI/MopMonkAgent

如前所述，M3 是当下罕见的、能将顶尖编码能力、百万 token 上下文与原生多模态集于单一架构的开源模型。

看一眼跑分就能明白：

• SWE-Bench Pro：斩获 59.0%
• Terminal-Bench 2.1：达到 66.0%
• MCP Atlas：拿下 74.2%

这些亮眼的数据，精准踩中了 Agent 落地实战时，最硬核的能力刚需。

不仅如此，它还能在长达十几个小时的任务里自主迭代、自我纠错。

换言之，M3 扮演了一颗兼具顶尖代码解析力、超长记忆力与熟练工具调用能力的「最强大脑」。

对于 CyberGym 这种动辄要吞下整个代码库、跑上几十轮的任务，1M 的上下文窗口几乎是刚需。

而 MopMonk 这套安全 Agent 框架做的事，是把 M3 这颗大脑的能力，放大成漏洞挖掘的执行力。

它的「内功心法」，从 GitHub 公开的技术细节来看，核心是三招——

第一招：结构化的「漏洞记忆」

它不是简单堆叠聊天记录，也不是把超长上下文一股脑塞给模型，而是把一份可持续更新的「任务事实记忆」，围绕漏洞挖掘里最关键的几类对象组织起来：

• 漏洞目标
• 代码路径
• 输入格式
• 候选 PoC
• 失败证据
• 验证状态
• 「下一步约束」记忆

最后一类尤其见功力：它不生成空泛的抽象计划，而是直接从当前证据里，提炼出下一次实验必须满足的硬约束。

比如，「这次必须覆盖到那个分支」「该调整哪个字段」「要排除哪一类失败原因」。

这种记忆设计，将漏洞挖掘从「反复从零试错」变成了「基于证据的收敛过程」。

每一次读代码、每一次执行结果、每一次失败提交，都被转化成下一步生成 PoC 可复用的约束。

第二招：记忆驱动的「漏洞挖掘」

在漏洞挖掘任务中，系统首先通过扫描代码库，并将候选触发路径和目录信息作为规划的起点，来初始化漏洞记忆。

然后，它一步步推进，试图收敛到触发崩溃的具体代码位置。

之后，每一次探索尝试都会读取当前记忆，测试一个具体的假设，并将结果写回记忆中。

这样一来，模型不必每一轮都从头重读整个任务，而是从这份结构化记忆里，精准调出当下最相关的那一小块证据——

• 既大幅降低了长上下文的负担
• 又让候选 PoC 的每一次变异，都能继承此前积累的代码路径与输入格式知识，让搜索越收越准。

在严格的探索预算内，时间于是被尽可能地花在「新假设」上，有效试验密度直线拉升。

第三招：共享记忆下的「多 Agent 并行探索」

多个探索尝试，共享同一份漏洞记忆，可以从补丁线索、harness 入口、文件格式字段、sanitizer 类型、边界条件等多个方向同时推进，并彼此继承失败经验与验证结果。

这既扩大了覆盖面，又避免了重复无效的探索。

由此看出，MopMonk 把漏洞复现，从一场开放式的反复试错，硬生生重写成了一个「可积累、可约束、可验证」的记忆更新过程。

三招合一，全凭在任务内部一点点沉淀、提炼、复用出来的「内功」，硬生生把一颗强大的开源基座，调度成了漏洞挖掘战场上的特战尖兵。

最终，它跑出了 73.1%的成功率。

基座负责「想得深」，Harness 负责「记得牢、调得准、打得稳」。

两者深度耦合，才最终铸就了榜单上那个令人瞩目的破局成绩。

一个比「堆参数」更有价值的判断

这件事真正的启发在于——

过去几年，行业的惯性是「堆参数」：参数越大、模型越强、榜单越高。

但 CyberGym 这种真实攻防任务给出了另一种答案：决定胜负的，越来越是 Agent 的执行能力，是 Harness 这层工程的厚度。

根据 GitHub 技术报告，这套方法的价值落在三点上：

1. 强大的基模能力，提供了搜索的基础；
2. 结构化的漏洞记忆，提供了收敛的机制；
3. 共享记忆的多智能体探索，在有限预算里提升了成本效率。

基座决定了能力的上限，而这套记忆中心的 Harness，决定了这份能力到底能兑现多少。

更要命的是它的复利属性：

模型基座会一代代换，今天用 M3，明天可能用更新的开源模型。

但一套被真实战场反复打磨、沉淀了攻防经验的 Harness，是可以跨越基座迭代、持续复利的资产。

简而言之，MopMonk Harness 的长期价值，可能比「再堆一倍参数」更大。

这正是业内开始认真审视，这个神秘「扫地僧」的根本原因：

大家想看的，不只是它打了多少分，而是它示范了一条把开源基座做到极致的路。

「扫地僧」到底是谁？

绕了一圈，我们还是回到了那个最开始、也最让人抓心挠肝的问题。

MopMonk，到底是谁？！

把线索拼起来：

• 东方武侠味拉满的代号
• 上海公司的 MiniMax 基座
• 一身安全领域的「内功」

几乎所有箭头，都指向同一个判断：这是一支来自中国、很可能就在上海的 AI 安全公司。

也有人顺着基模与 Agent 双向适配的角度，盲猜其背后与 AI 大模型原生团队脱不开干系。

各种版本的猜测在坊间疯传，但至今无人能甩出实锤。

你觉得，MopMonk 会是谁家的高手？评论区，等你来爆料。

相关文章