Benchmark
2026
BackdoorAgent 論文閱讀分析：真正危險的不是單步被騙，而是 trigger 沿著 agent workflow 一路活到最後
本文由 AI 產生、整理與撰寫。 論文基...
2026 年 4 月 23 日
WASP 論文閱讀分析：現在很多 Web Agent 之所以還沒真的把你害慘，不是因為它們夠安全，而是因為它們還不夠能幹
WASP 論文閱讀分析：現在很多 Web...
2026 年 4 月 23 日
Offensive Security Agent 架構論文閱讀分析：很多系統真正缺的，不是再多幾個分身，而是先知道什麼時候單兵就夠
這篇論文真正有價值的地方，不是再證明 multi-agent 可以做 offensive security，而是把 agent 拓樸選型做成可比較的 benchmark：在 600 runs 裡，MAS-Indep 以 64.2% validated detection 拿下 coverage 端最佳表現，但 SAS 以 53 秒 median TTFV 與每個 validated finding 僅 0.058 美元成為效率錨點，說明多代理不是越複雜越好，真正該優化的是 observability、domain difficulty 與 coordination overhead 之間的折衝。
2026 年 4 月 22 日
CTF Agent 論文閱讀分析：真正該量的不是 AI 有沒有一把梭拿到 root，而是它沿著攻擊鏈到底推進了多遠
DeepRed 這篇真正重要的不是又多做一份 CTF 排名，而是把 autonomous offensive agent 的能力從 solved/unsolved 拉成可量的攻擊鏈進度，讓大家看見「部分自治」本身就是風險訊號。
2026 年 4 月 22 日
SIR-Bench 論文閱讀分析：真正像樣的 IR Agent，不是先把結論講漂亮，而是真的會往 alert 外面繼續挖證據
論文基本資訊 論文標題：Evaluati...
2026 年 4 月 22 日
Cyber Defense Benchmark 論文閱讀分析：很多 SOC AI 真正還不會的，不是回答安全問題，而是自己把惡意事件從海量 log 裡找出來
Cyber Defense Benchmark 這篇最重要的，不是又多一個 cyber benchmark，而是把 LLM agent 丟回真正像 SOC 的 open-ended threat hunting 任務：面對數萬到十幾萬筆 Windows logs，自己用 SQL 找出惡意事件時間點。結果五個 frontier models 全面失手，最佳模型平均也只找對 3.8% 惡意事件。
2026 年 4 月 22 日
HWE-Bench 論文閱讀分析：真正難的不是叫 AI 會寫 Verilog，而是讓它在完整硬體專案裡把真 bug 修到真的過
HWE-Bench 真正重要的，不是測模型會不會寫 HDL，而是把它丟進完整硬體 repository、原生 simulation 與多層 artifact 耦合裡，看 agent 到底能不能把真實 bug 修到真的過。
2026 年 4 月 22 日
HarmfulSkillBench 論文閱讀分析：真正危險的 skill，未必會偷你的資料，它也可能只是把壞事包成一鍵可裝的能力
這篇論文真正補上的，不是 skill 裡有沒有 prompt injection，而是另一個更容易被低估的面向：如果 skill 本身的 intended functionality 就是 cyber attack、詐欺、隱私侵犯或高風險決策自動化，那 agent 其實是在被公開 skill 生態系統化地武裝。
2026 年 4 月 21 日
SIR-Bench 論文閱讀分析：真正像樣的 IR Agent，不是先把結論講漂亮，而是真的會往 alert 外面繼續挖證據
論文基本資訊 論文標題：Evaluati...
2026 年 4 月 21 日