前沿大语言模型在进攻性网络任务中的系统能力基准测试

本文对来自七个提供商的十个前沿模型在 NYU CTF Bench 的 200 个挑战上进行了全面的跨模型评估。基于 D-CIPHER 多智能体框架，研究扩展了多后端支持、预装百余种渗透工具的定制 Kali Linux 环境及运行时工具发现代理。实验表明，Kali 环境显著优于 Ubuntu，而自动提示在装备精良环境中往往降低性能。结果显示，环境工具链和模型选择是性能的关键驱动因素，提示工程干预效果有限甚至负面，反映了模型推理能力与工具集成的兼容性。