ExploitBench

Encontrar y explotar una vulnerabilidad son habilidades distintas. CyberGym mide la primera: si el modelo identifica y confirma un fallo en código. ExploitBench y su versión cronometrada ExploitGym miden la segunda: si puede razonar la cadena que convierte ese fallo en un ataque que funciona.

Estos resultados importan porque reflejan riesgo real en ambas direcciones. La capacidad de escribir un exploit permite a los defensores encontrar errores antiguos antes que un atacante. Por eso los laboratorios publican estas cifras junto a sus resultados de programación y a veces retrasan un lanzamiento por ellas.