哪个 AI 模型最擅长发现代码漏洞？2026 年 8 月，安全公司 Aikido 用 32 个全新 CVE 对 10 个主流大模型做了一次大规模实测：消耗 117 亿 token，结论是 DeepSeek V4 Pro 召回率最高，开源模型在漏洞发现上首次整体压过了公开前沿闭源模型，而最贵的模型未必是最好的选择。 测试怎么做：32 个新 CVE、96 次运行、断网环境
这次基准不是跑代码生成或数学题，而是让模型像安全工程师一样做事：从真实仓库源码中"重新发现"漏洞。Aikido 从近期披露的 CVE 中挑选了 32 个，刻意选训练数据中大概率没见过的样本，测试的是漏洞推理能力而非记忆能力。
每个模型跑完全部 32 个案例 3 次，共 96 次运行，智能体最多执行 30 步，全程断网。用例、提示词、工具和评估标准全部冻结，保证不同模型之间的可比性。衡量指标有两个：召回率（找到多少漏洞）和精确率（找到的结果里有多少被确认有效）。
核心结论：开源模型首次压过公开前沿模型
最大的变化来自梯队格局。上一轮基准中开源模型还在追赶，这一次 DeepSeek、GLM、Qwen 和 Kimi 在漏洞召回上全面进入前沿水平： - DeepSeek V4 Pro 0813：3 次运行合并召回 28/32，全场最高
- GLM-5.3：25/32，仅落后 Opus 5 一个 CVE，成本便宜 69.8%
- Qwen3.8-Max：26/32，追平 Opus 5 与 Grok 4.6
- Kimi K3：25/32，开源模型中精确率最高（92.3%）
- Opus 5：26/32，单次最佳成绩 25/32
- Grok 4.6：26/32，三次运行全部命中的漏洞最多（21 个），最稳定
Aikido 强调，这些开源模型必须在正确的系统框架（harness）下运行才能达到这个水平，直接替换闭源模型并不现实。测试也没有覆盖 Mythos、GPT-5.6 Daybreak 这一级别的未公开模型。
成本对比：三次便宜运行打败一次最贵运行
价格是这次测试最反直觉的部分。DeepSeek V4 Pro 跑 3 次花费约 295 美元，找回 28 个漏洞；而 Opus 5、Grok 4.6、Sol 的单次运行就要 450 至 590 美元，最多只找回 26 个。DeepSeek V4 Flash 跑 3 次只要 108 美元，找回 24 个漏洞，追平 Grok 4.6 的最佳单次成绩，价格不到四分之一。
GLM-5.3 的成本表现同样突出：每发现一个漏洞约 19.65 美元，明显低于 Sol、Opus 和 Grok。它的预发布版本在性价比上甚至压过了 GPT-5.6 Terra。
为什么多跑几次比用最贵模型更有效
大模型的输出有随机性：同一个任务开三个新会话，可能得到三种不同的解决路径。对追求稳定输出的场景这是缺点，但漏洞挖掘本质是搜索问题，搜索恰恰能从这种方差中受益。
数据印证了这一点。DeepSeek V4 Pro 第一轮只找到 17 个漏洞，但第二轮和第三轮补齐了遗漏，合并后达到 28 个。Qwen 从第一轮的 19 个涨到合并后 26 个，Kimi 从 17 涨到 25。相反，Grok 每次找到的漏洞高度重合，重复运行带来的提升最小。
另一个容易被忽视的代价：便宜模型探索更激进，产出更多候选结果，也意味着更多假阳性需要后续流程过滤。测试中 32 个漏洞有 17 个所有模型都能找到，1 个所有模型都失败，其余 14 个才是真正拉开差距的地方。
选型建议：别问哪个模型最强，问它该放在哪一环
Aikido 的最终建议是放弃"哪个模型最好"的问题。更实际的思路是：让便宜的模型先广撒网，让贵的模型复核关键结论，用多次运行合并召回，再靠管道过滤假阳性。开源模型追赶的速度正在压缩前沿闭源模型的价格溢价，但 harness 工程依然是决定实际效果的关键变量。
AI 速览
