AI 在现实中寻找到真正 N-Day 漏洞的表现如何？
漏洞江湖里的“公开秘密”
在网络安全的世界里，有一个术语叫“N-Day漏洞”。听起来或许有些专业，但道理其实很简单：当一个漏洞被公开披露，相关的概念验证代码（PoC）开始在网络上流传，整个安全社区都知道了它的存在，但软件厂商还来不及发布修复补丁——这段危险的“空窗期”，就是N-Day窗口期。
问题随之而来：这些已知的漏洞，在厂商修复之前，真的被找出来了吗？或者说，谁来当这个“发现者”？
过去，这份工作主要依赖安全研究员、白帽黑客和专业的代码审计。而现在，一个新的角色正在加入——AI模型。而N-Day-Bench，就是专门为测试AI这项能力而设计的“考场”。
一场“反常识”的考试
传统的AI编程能力测试考什么？通常是编写代码、解决算法题、回答编程问题。但这里存在一个认知盲区：能写代码，绝不等于能找漏洞。
一个模型即使在HumanEval测试中拿到满分，也未必能识别出一处缓冲区溢出风险。写代码考验的是“创造”，而找漏洞考验的是“发现”——这是两种截然不同的思维模式。
N-Day-Bench的核心设计非常直接：
给你一段真实的代码，再给你一个对应的CVE漏洞编号，然后看模型能否独立找出漏洞的具体位置。
关键在于，这些漏洞都是在模型“知识截止日期”之后才被公开的。这考的是真本事，不是背答案。好比一场没有任何考前复习资料的考试，全凭现场分析一段陌生代码，揪出其中隐藏的问题。这其中的难度和刺激性，远非解几道标准习题可比。
榜单出炉，有人欢喜有人愁
那么，考试结果如何？来看最新一期的N-Day-Bench榜单（简要版）：
榜单上领先的模型达到了约80%的准确率。这个数字意味着什么？它表明模型已经能够独立定位大部分漏洞，但仍有大约五分之一的漏洞会被漏掉或产生误报。
打个比方，这大致相当于一位初级安全工程师的水平：可以承担实际工作，但尚不能完全独当一面，需要更有经验的同事进行复核。距离“完全自动化”的理想状态还有差距，但已经足以充当一道高效的“第一防线”——快速扫描整个代码库，标记出所有可疑点，然后将最终判断交给人类。效率的提升，是实实在在的。
几个有意思的观察
闭源模型依然强势
观察榜单前三名：OpenAI、Anthropic、智谱，清一色是闭源或半闭源模型。这并非说开源社区实力不济，而是在处理复杂推理、多步骤分析这类任务上，目前闭源大厂凭借更广泛的预训练数据和更精细的强化学习调优，仍然保持着优势。
国产模型表现不俗
GLM-5.1拿到80分，这个成绩相当能打。这说明国内大模型在安全这类垂直领域同样具备竞争力，并非只能局限于聊天机器人场景。安全场景对深度推理能力要求极高，能在此处取得好成绩，其他方面的能力大概率也不弱。
月度更新，防止“作弊”
漏洞世界是动态变化的。如果一个基准测试常年不更新，模型很可能通过记忆“背下答案”，从而失去测试意义。N-Day-Bench每月刷新测试用例的设计非常聪明，它迫使模型必须真正具备代码分析能力，而不是依赖“我见过这道题”。
一切才刚刚开始
目前47个有效测试用例，说多不多，说少也不少。未来还需要覆盖更多的编程语言和漏洞类型。但毫无疑问，这个方向是对的。
安全研究员要失业了？
看到这里，可能有人会问：既然AI找漏洞已经这么厉害了，安全研究员是不是该考虑转行了？
答案是，远未至此。
80%的准确率，反过来看就是20%的漏报率。在真实的攻防环境中，攻击者会采用各种对抗手段和代码混淆技术来绕过检测，这些层出不穷的“新套路”，AI不一定都能识别。更何况，发现漏洞仅仅是第一步。
找到漏洞之后，还需要评估其实际影响（能否被利用？会造成多大破坏？）、生成修复补丁、验证修复方案是否有效……这些后续环节的复杂性和挑战性，一点不比发现漏洞低。
但AI确实从根本上改变了效率等式。
过去需要安全研究员耗费数小时人工审计的代码库，现在模型几分钟就能初步扫描完毕。由AI标记出高风险点，再由人类专家做最终裁决——这是一种生产力的质变，而非简单的岗位替代。就像现代医学中，AI可以辅助医生快速阅读海量影像，但最终的诊断签字权，仍然在医生手中。
更可能出现的未来图景是：安全研究员 + AI助手 = 超级个体。一个人就能完成过去需要一个团队才能覆盖的工作量。
写在最后
安全行业有句老话：防御者永远比攻击者更辛苦。因为攻击者只需找到一个突破口，而防御者必须守护整座城墙。
但现在，AI这把“刀”开始为防御者分担压力了——它可以不知疲倦、永不间断地在代码的海洋里“巡逻”，捕捉那些人类容易忽略的细微异常。N-Day-Bench测试的是AI发现漏洞的能力，但其背后折射的，是整个安全行业游戏规则的变局。
漏洞研究，不再只是极少数精英的专属技能。当AI作为新玩家加入这场博弈，原有的平衡正在被打破。那么，你准备好和AI成为队友了吗？