96.8% 的 ExploitBench 分数若属实，将动摇「智能回报非线性」论

teortaxesTex · x · 2026-10-31

teortaxesTex 引用 Lisan al Gaib（scaling01）关于「智能回报非线性、长任务优于模型间小差距」的论点，并讨论传闻中的 ExploitBench 数据：若某 flash 级模型在 3000 轮下真的拿到 96.8%，将对该论点造成冲击。

他给出的对比数据：GPT-5.5 在轮数从 300 提升到 3000 时仅从 45% 升至 72%；300 轮上限下 5.6 Sol 为 78.5%、Fable 5.1 为 83%、Opus 5.5 为 91%、Kimi K3.1 Pro 降级后为 74.7%。现代 OpenAI 模型在 300 轮就已接近饱和，所以 flash 模型 96.8% 与其属同一量级、非常反常。帖内截图显示 GPT-6.1 Terra 的 ExploitBench ACE 归一化得分 97.1%，且系统卡提示历史漏洞数据存在污染风险。