Gemini 3.5 Flash Cyber：漏洞发现的增益来自专用模型，也来自调用预算

Google DeepMind 将 Gemini 3.5 Flash Cyber 定位为一个专门寻找、验证和修补软件漏洞的网络安全模型。独立评测页给出的结果很强：在固定调用次数下，它在 V8 上找到 55 个 unique confirmed issues，超过 mainline 3.5 Flash 的 47 个和 Claude Opus 4.6 的 36 个；Google Cloud 团队还报告过 2 小时内发现 RCE 与 memory-corruption 漏洞的内部案例。1

但这些结果有明确条件：CyberGym 的单份最终报告最多调用 5 次模型，Big Sleep 的评估关闭了安全护栏，Chrome 生产扫描使用未公开漏洞来防止 benchmark contamination，竞品分数还有 provider self-reported 的口径。模型目前也只通过 CodeMender 向政府和可信合作伙伴开展 limited-access pilot。它值得安全工程团队继续跟进，却不能按普通 Gemini API 的公开模型来理解。12

CyberGym 用数百个真实世界的软件漏洞评估 AI agent。CodeMender 的配置不是让模型只回答一次，而是在生成一份最终报告前最多调用 5 次 Gemini 3.5 Flash Cyber，再将多个 agent 的结果合并。官方称，这种配置在 CyberGym 上取得了能与明显更大模型竞争的表现；同时注明对手结果来自各模型提供方自报分数。1

这里最重要的变量是调用预算。一次漏洞分析可以分成候选发现、复核、构造验证和报告整理，多次调用使模型有机会把前一轮的线索带入下一轮。因而 CyberGym 的结果更接近「专用模型加有限 agent 协作」的系统成绩，而不是单次 prompt 的裸模型成绩。原文没有给出每一步调用各自贡献多少，也没有把发现率、验证率和修补成功率拆开报告。

三组结果的递进关系是从公开漏洞集合，走到复杂代码库，再走到生产提交扫描和固定预算的引擎测试。它们共同支持「模型能在代码安全流程中找到更多候选问题」这一较窄的判断；它们不支持「模型已经能稳定修复所有漏洞」或「模型在所有代码库都优于通用模型」这类更宽的结论。

V8 测试是页面中最容易被误读的一组数字。这里统计的是固定调用次数下、经过确认并去重的问题数，不是测试集上的 accuracy，也没有报告漏报率。Cyber Flash 找到 55 个，mainline 3.5 Flash 找到 47 个，Claude Opus 4.6 找到 36 个；其中 10 个问题没有被另外两个模型捕捉到。1

这个口径可以支持一个具体工程判断：在同一代码库和调用预算下，继续增加探索路径可能比单纯更换一个通用大模型更有价值。它不能告诉我们每个问题的严重性分布，也不能告诉我们修补是否成功。页面只说随着调用次数增加，Cyber Flash 还会持续发现新的代码路径和漏洞，至于增加多少次调用后收益递减，原文没有给出曲线。

Google Cloud Vulnerability Research 团队报告称，使用该系统后，他们在 2 小时内发现了 public APIs 中的 remote code execution 漏洞，以及一个敏感生产服务中的 memory-corruption 漏洞；随后生成了一个被描述为 100% reliable 的 RCE exploit，并绕过 ASLR 和 W^X。1

这是一条实战信号，但不是一项普遍成功率。案例没有公开代码库规模、调用轨迹、人工参与程度、漏洞修复结果，也没有说明「100% reliable」对应多少次验证。因此更稳妥的解读是：模型已经能把漏洞线索推进到可验证 exploit 的阶段，安全团队可以用它缩短研究闭环；不能据此推断它会在无人监督下稳定攻击或自动修复生产系统。

Big Sleep 的评测明确写出 without safety guardrails。Chrome 生产扫描的说明还提到，Opus 4.6 之后的部分竞品由于内置安全护栏会拒绝执行任务，因此没有展示这些结果。1

这带来一个不能绕开的比较问题：安全模型的分数既反映漏洞搜索能力，也反映模型是否被允许完成高风险步骤。若把拒答当成单纯的能力失败，会高估 Cyber 的相对优势；若把所有能执行 exploit 的模型都视为可上线，又会忽略安全控制本身的必要性。公开页面没有给出一套同时衡量发现能力、误报、拒答和修复质量的统一协议。

Cyber Flash 的官方模型页把它概括为「快速、高效地发现并修复漏洞」，并列出 CyberGym、Big Sleep 和 Chrome 生产提交扫描三个方向，但没有给出一个面向公众的模型 ID、API 价格或开放注册入口。2

Google 的 Gemini API 定价页列出了 gemini-3.6-flash 和 gemini-3.5-flash-lite 的公开价格，却没有列出 gemini-3.5-flash-cyber。结合官方博客所说的政府和可信合作伙伴 limited-access pilot，当前最合理的产品判断是：Cyber 是受控的代码安全系统组件，而不是可以按普通 token 单价采购的通用模型。3

对安全团队而言，值得继续验证的不是一张更高的排行榜，而是四个工程问题：多次调用的边际收益、漏洞确认与修补的分离指标、人工复核点，以及安全护栏如何与高风险研究流程共存。官方页面已经证明了第一步的可行性，也把后三个问题留在了公开数据之外。