CyberKimi 在 ExploitBench 上的实测表现：安全微调如何突破 V8 漏洞分析瓶颈

在漏洞挖掘和利用分析领域，V8 引擎一直被视为大模型的“深水区”。尤其是像 v8-cve-2024-6100 这种由类型混淆（Type Confusion）引发的远程代码执行（RCE）漏洞，其逻辑链条极长，对模型的上下文推理能力要求极高。最近 lordx64 发布的关于 CyberKimi 的测试数据非常值得关注，这个基于 Kimi K3 微调的模型在 ExploitBench 上的表现，揭示了安全专用模型与通用模型在实战能力上的显著代差。

最核心的突破在于其在「无辅助（unassisted）」模式下的得分。在 16 个关键能力验证点中，CyberKimi 拿到了 8 分，而原版 Kimi K3 仅得 4 分。这意味着通过针对性的安全微调，模型在处理漏洞分析时的成功率直接翻了一倍。如果进一步引入方法论提示（methodology pack），得分能提升至 10 分。虽然距离 Claude Mythos Preview 的满分 16 分仍有差距，但其表现已经超越了 GPT-5.5 和 Gemini 3.1 Pro 等通用大厂模型。

从具体的漏洞利用路径来看，CyberKimi 的实战能力主要体现在对中低阶原语（Primitives）的精准处理上。在分析 CVE-2024-6100 时，它能够非常干净地完成覆盖率验证，包括 cov_func 和 cov_line 的跑通，这证明了它对代码执行流的感知能力。更关键的是，在构建利用链的基石阶段，如 fakeobj、addrof 以及 caged_read/write 等关键原语的推演中，该模型基本没有出现逻辑掉链子的情况。

然而，目前的瓶颈依然存在。测试结果显示，CyberKimi 能够高效地实现任意读写（arb_read/write），但在从读写原语跨越到 PC（程序计数器）控制，并最终实现 ACE（任意代码执行）的最后一步时，依然存在一定的失效概率。这说明即使经过微调，模型在处理极高复杂度的内存布局和寄存器状态转换时，依然缺乏足够的确定性。

这次测试给安全从业者带来的最大启发是：针对安全领域进行「去冗余限制（unrestricted）」的微调，其效率远高于在通用模型上通过 Prompt Engineering 进行引导。通用模型往往因为对齐（Alignment）过于严格，在处理涉及内存破坏、溢出等“破坏性”逻辑时，容易给出过于保守或笼统的答案。而 CyberKimi 这种专注于安全场景的模型，能够直接切入技术核心，给出更具可执行性的分析路径。

此外，这次发布最宝贵的资产并非分数，而是作者公开的完整思维链（CoT）记录和评分调用细节。对于想要利用 Qwen 或 DeepSeek 等开源基座进行安全微调的开发者来说，这提供了一套高质量的训练样本。通过分析这些 CoT 记录，我们可以看到模型是如何一步步从漏洞触发点推演到原语构建的。这种透明化的评估方式，让安全微调不再是一个黑盒，而变成了一次可量化的能力迭代。