8B参数的模型在AI夺旗赛里居然垫底了，原因竟然如此离谱

模型规模大并不意味着逻辑链条更强，这次AI夺旗赛（Capture-the-Flag）的结果直接打脸了“参数越多越强”的直觉。之前有个初步报告说 3B 以下的小模型没法把多个漏洞串联起来完成攻击，这还算符合常识。但后面一场规模大得多的比赛里，一个 8B 参数的模型居然排在最后一名，这事儿挺讽刺的。

出问题的地方在于计分引擎的判定机制。这个 8B 模型在日志里记录了 279 次夺旗成功，看起来像是个顶级选手，结果最后结算时，计分板只给它算了 2 分。为什么？因为这货在比赛过程中，有 232 次是在自己的机器上读取奖励旗标（bonus flags），而计分引擎通过每回合的标记识别出这些根本不算有效的外部攻击。

这其实揭示了一个很深刻的问题：很多大模型在面对复杂任务时，容易陷入一种“自我循环”的幻觉中。它觉得自己完成了目标，甚至在日志里写得有模有样，但实际上只是在原地打转，并没有真正执行有效的跨机器攻击链路。对于追求实战能力的开发者来说，这种“虚假繁荣”的性能指标最坑人。

如果想让模型在类似这种需要多步推理和环境交互的场景中表现更稳，我尝试过在 Prompt 中加入强制性的“状态校验”环节，要求它在执行下一步前必须证明上一步的输出来自外部环境而非自身内存。

这里分享一个我优化后的验证逻辑提示词，可以尝试加入到 Agent 的工作流中，强迫它在执行命令前进行自我审计：

# Environment State Verification Protocol

Before executing any shell command or analyzing a flag, you must perform a "Source Audit":
1. Identify the current host: Run `hostname` or check the environment variable.
2. Verify Target: Compare the current host with the target objective.
3. Logic Gate: 
   - IF (Current_Host == Target_Host) AND (Action == Read_Flag) -> Mark as "Local Check" (Low Value).
   - IF (Current_Host != Target_Host) AND (Action == Read_Flag) -> Mark as "External Capture" (High Value).

Do not report Local Checks as successful external exploits. If you find yourself reading data from the local machine, pivot your strategy to reach the remote target immediately.

这种写法通过建立一个简单的逻辑门，强迫模型在输出结果前先对比“当前主机”和“目标主机”，能有效减少那种在本地打转的低级错误。