Exploitbench：AIエージェントの実際のエクスプロイト能力を包括的に評価

要点

• Exploitbenchはエクスプロイトプロセスを5段階（T1-T5）に分割し、コードカバレッジから完全制御までを測定します。
• Claude Mythos PreviewとGPT-5.5は複数のV8脆弱性で最高レベルの完全制御（T1）を達成しました。
• 既存のベンチマークはクラッシュトリガーのみを評価しますが、Exploitbenchはカバレッジからコード実行までの全体を測定します。
• このベンチマークはオープンソースで提供され、Docker内でMCPサーバーを使用して評価を実行できます。