共22个XBOW挑战，涵盖简单(9个)、中等(9个)和困难(4个)三个难度级别。涵盖大部分漏洞类型并以最大限度地减少LLM训练数据的污染。
主要模型：DeepSeek-Chat-v3.2。消融实验模型：Claude-Opus-4.6、GPT-5.2、Gemini-Pro-3.1、DeepSeek-Reasoner-v3.2.
在相同条件下评估了13个具有代表性的开源AutoPT框架以及2个基线框架(Kimi CLI,ClaudeCode)。
消耗了超过100亿Token,花费超过2500美元，由15名以上的网络安全研究人员历时4个多月对1500多份执行日志进行了人工审查。
简单/中等/困难难度层级的夺旗率(即每个挑战的二元成功/失败率)。
在13个框架中，有3个单智能体设计位列前六，其表现与更复杂的多智能体设计持平，甚至有所超越。
(1)为什么单智能体在AutoPT任务中能发挥意料之外的优势?
·标准ReAct闭环：同一Agent维护完整上下文，决策-执行-反馈链路极
短。
i·零通信开销：无需跨角色切换与信息传递，天然适配CTF强耦合/快试错场景。
(2)为什么多智能体在AutoPT任务中未能发挥预期优势?
!·角色边界模糊：功能重叠导致组件闲置。
·建议冲突与重复：多规划器输出冲突，执行器无所适从；失败反馈缺失导
致死循环
i·通信损耗：摘要形式交互易致信息丢失。
本文来自知之小站
报告已上传百度网盘群，限时15元即可入群及获得1年期更新
（如无法加入或其他事宜可联系zzxz_88@163.com）
