一张全球 AI 安全战力榜最近悄然刷新。来自中国团队打造的 MopMonk（扫地僧） 以 73.1% 的成功率，冲进 CyberGym TOP7，与 OpenAI、Anthropic、微软这些全球顶级 AI 玩家同台竞争。

没有官方公告，没有团队介绍，没有预热。只有一个代号和一份成绩单，却扯下了巨大的行业信息差。

CyberGym：用网络安全能力衡量 AGI 程度

如果说语言能力是 AI 的"智商测试"，那网络安全能力就是 AI 的"综合格斗"。

CyberGym 由 UC Berkeley 顶尖安全研究团队打造，题库有三个硬核特点：

• 真实：1507 个真实漏洞实例，直接从 CVE 中抽样，而非实验室仿真
• 全面：横跨 188 个大型开源项目，从 Web 框架到系统内核
• 严格：只看最终结果，漏洞是否被成功触发，没有步骤分

一个 AI 能不能独立完成一项复杂、开放的真实任务，这是区分"大语言模型"和"AGI"的分水岭。网络安全恰好是数字世界最难的考题之一，要求感知、推理、规划、试错、执行全部实时在线。

目前公开成绩对比： - 微软（Microsoft）：88.4% - OpenAI：85.6% - Anthropic：83.1% - MopMonk：73.1%（强势切入前十的唯一匿名玩家）

Harness 才是灵魂

CyberGym 这种严苛任务环境下，靠参数"力大砖飞"的暴力破解已经失效。再聪明的脑子，如果没有一套适配实战场景的"身体"和"神经反射弧"，也会在长程反复试错中迅速崩溃。

MopMonk 能做到这一点，答案可能不在模型本身，而在 Harness（Agent 的治理与执行框架）。

CyberGym 要求 Agent 完成一条完整的长程攻击链：发现目标、规划路径、多轮试错、生成代码、自我纠错。在这个闭环中：

• 基座模型提供"智力"（代码理解与生成）
• Harness 提供"系统级执行力"（状态管理、工具调度、长文本记忆、自动化纠错与重试）

模型决定 Agent 能想到多深，Harness 决定它能咬得多死。MopMonk 在攻击链还原和漏洞 PoC 迭代验证这两个环节表现突出，这绝不是单纯靠模型基座能力就能刷出来的分数。

规则在变，垂直极致者胜

AI 竞争的底层规则正在发生质变。以前拼参数和跑分，现在拼谁能把模型、工具、策略拧成真正能打的落地执行力。

尤其在网络安全攻防这种吃深度、吃长程、吃高强对抗的场景里，未来能站稳的，大概率不是通用 Agent，而是在垂直方向上将工程化做到极致的团队。

基座是变量，Harness 才是资产。

"扫地僧"这个名字本身也传递了信号——在通往 AGI 的真实战场上，极致的垂直领域工程化能力，同样能撕开巨头的防线。

GitHub：MopMonkAI/MopMonkAgent