95.02%漏洞成功率 | 绿盟科技NSFOCUS AI斩获CyberGym全球第一

NSFOCUS AI 能够模拟人类漏洞研究员的认知范式，形式化为一套可计算、可审计的工作流，像专家一样提出假设、固化证据、在试错中逼近真相：

• 基于语义约束的漏洞假设生成：模拟专家进行漏洞审计，通过静态分析识别脆弱模式，推导触发所需的路径条件与输入约束，构建"可证伪"的漏洞假设，而非堆砌模式匹配告警。

• 调试器辅助的运行时证据固化：用 GDB 在关键路径谓词与内存操作点细粒度插桩，核验运行时内存布局、约束求解状态与控制流转移，将静态的"可触发"推断，转化为基于执行轨迹的确凿证据；并据此过滤相邻缺陷干扰（误报）。

• 约束导向的定向模糊测试：采用符合语法规范的种子输入，围绕关键字段实施约束变异，减少无目标的随机测试，提高计算和测试资源的利用效率。

• 闭环式假设修正：验证失败的样本不会被简单丢弃，而是用运行时反馈反向修正种子结构、路径假设与约束条件，形成"假设—生成—验证—修正"的迭代闭环。

绿盟AI漏洞挖掘解决方案，也正是基于这种思路，为客户提供更高效的AI安全治理能力。

绿盟科技智能化攻防团队提出并实践USC（非预期态收敛，Unexpected-State Convergence）理论框架，在该理论指引下漏洞被重新定义为：软件"设计意图"与"实际行为"之间的风险偏差；基于AI进行漏洞挖掘的本质，是引导推理系统持续向目标软件的"非预期态"收敛。绿盟AI漏洞挖掘智能体 NSFOCUS AI 把这一理论落地为一个清晰的乘法关系：

高效漏挖 = 收敛引导（策略层）× 编排执行工程（Harness）

• 收敛引导（策略层）：源自绿盟科技多年沉淀的实战攻防经验。我们把一线研究员"从哪里下手、何时收手、如何确证"的直觉，形式化为可计算的收敛引导，让 GLM-5.3 的每一次推理都精准瞄准"非预期态"，避免在大模型常见的盲目探索中空耗预算。

• 编排执行工程（Harness）：绿盟自主研发的Harness工程，为智能体任务提供稳定的运行环境、可信的证据采集与严格的提交闸门，将模型的"判断"固化为可审计的"证据"。

NSFOCUS AI所做的，正是以绿盟的攻防经验与工程体系为杠杆，把 GLM-5.3 的推理潜力，精准兑换为漏洞挖掘的实战胜率。

为验证模型迭代效果，团队在相同的 1,507 项任务、系统流程和判定标准下，对 GLM-5.2 与 GLM-5.3 进行了内部对比。GLM-5.3 完成 1,432 项任务，严格 Pass@1 成功率达到 95.02%；相比 GLM-5.2 的结果成功率提高 1.39 个百分点。

提升集中体现在复杂文件格式、深层调用链、严格字段约束和苛刻触发条件等高难度任务。GLM-5.3 能更快锁定关键字段，结合 GDB、Sanitizer 和定向 Fuzzing 调整输入结构，减少无关崩溃，在提高任务完成量的同时保持 PoC 的针对性、稳定性与可复现性。

随着前沿人工智能攻防能力的快速演进，漏洞的发现、利用与扩散节奏正在加快，安全防御面临更短的响应窗口。面对 AI 加速的威胁，我们坚持 “以AI对抗AI”理念，帮助客户建立更加智能、更加主动的安全体系——在威胁抵达之前识变，在风险成型之前消解，让安全真正"跑在攻击前面"。

「关于CyberGym」