Sakana AI推出Fugu-Cyber 安全编排模型在CyberGym获86.9%成绩

模型概览

Sakana AI在其Fugu编排体系中新增了第三条安全专用端点——Fugu‑Cyber（模型 ID：fugu-cyber-v1.0）。该模型并非全新前沿大模型，而是基于已发布的Fugu orchestration模型，通过安全任务微调形成的专用入口。自2026年6月发布Fugu平台以来，Sakana 将安全推理能力进一步封装为可即插即用的API。

基准评测

CyberGym（UC Berkeley）
- 评测范围：1507 个真实漏洞，188 个 OSS‑Fuzz 项目。
- 任务：在未修补代码库中生成可触发漏洞的 PoC，并在修补后不再触发。
- 成绩：86.9% 成功率，略高于 GPT‑5.5‑Cyber（85.6%）和 Claude Mythos Preview（83.1%）。
CTI‑REALM（Microsoft）
- 评测范围：37 份公开威胁报告，涉及 MITRE ATT&CK 技术、KQL 查询与 Sigma 规则生成。
- 任务：将情报映射为检测规则，覆盖 Linux、AKS 与 Azure 云环境。
- 成绩：72.1%（轨迹奖励），高于 Microsoft 官方公布的 Claude 系列 0.624‑0.685 区间。

需要注意，CTI‑REALM 的分数是 0‑1 轨迹奖励，Sakana 将其称为“成功率”，实际意义略有差异。

编排机制

Fugu 系列本质上是 语言模型驱动的编排层：

查询 → Thinker 生成任务拆解。
Worker 群组执行子任务（代码审计、PoC 生成、情报关联等）。
Verifier 对候选结果进行安全校验，只有通过验证的输出才会返回。

该架构在两篇 ICLR 2026 论文（TRINITY 与 Conductor）中有详细描述，Verifier 在安全场景下尤为关键——它确保任何漏洞或检测规则在提交前均经过专门子模型的复核。路由细节为专有技术，外部不可见。

使用门槛与定价

访问审批：需填写用途说明并经人工审核，严格限制在防御性安全场景。
使用政策：更新的 Acceptable Usage Policy 明令禁止攻击性或非法用途。
计费模型：Token Plan 计费，输入 Token $6/百万，输出 $36/百万，缓存 $0.60/百万；超过 272K Token 上下文后费用翻倍，整体比 Fugu‑Ultra 多 20% 溢价。
地域限制：目前不向欧盟/EEA 提供服务，正在推进 GDPR 合规。

行业意义与展望

Fugu‑Cyber 的发布展示了 模型编排 + 专业子模型 的安全落地路径。相比单一大模型直接生成 PoC，编排体系在可信度与可审计性上具备天然优势。尽管当前成绩仍基于自报且缺乏第三方复现，但已在公开基准上逼近或超越业界领先模型。未来若开放更多子模型的可视化路由，或提供可复现的评测基准，Fugu‑Cyber 有望成为企业安全团队的“AI 助手”，推动从漏洞发现到检测规则全链路的自动化。

关键要点

Fugu‑Cyber 为安全专用编排端点，非全新前沿模型。
在 CyberGym 与 CTI‑REALM 两大基准上分别取得 86.9% 与 72.1% 的自报成绩。
采用 Thinker‑Worker‑Verifier 三层编排，Verifier 为安全验证核心。
访问需人工审批，遵守防御性 AUP，仅在 Token Plan 下计费，欧盟地区暂不可用。

随着安全需求的持续增长，基于编排的专用模型有望在行业内形成新的竞争格局。