BLOG / 7 de noviembre de 2026
99,4 %. Esta cifra ha inundado las redes sociales en el ámbito chino estos últimos días: Quantum Bit afirma que «ha alcanzado el primer puesto mundial», mientras que Xinhua Net señala que «ha batido el récord mundial». El protagonista es el sistema de seguridad y defensa desarrollado por la propia 360.Tu Longfeng(Entrada en inglés de la página web oficial) TuLongFeng).
Ya ha habido suficiente revuelo, pero lo que los lectores deberían preguntarse realmente es: ¿qué se mide exactamente con ese 99,4 %? ¿Se trata de derrotar a los modelos insignia de OpenAI, Anthropic y Google siguiendo las mismas reglas? Y además: ¿cómo está la clasificación pública ahora mismo?
De momento, no te tomes como un eslogan eso de que «la IA china ha vencido a Silicon Valley»; primero compara las reglas del Nivel 1 de CyberGym con el archivo JSON de su página web.
¿Qué se evalúa exactamente en CyberGym?
CyberGym ha sido presentado por un equipo de la Universidad de California en Berkeley, y su artículo ha sido aceptado en ICLR 2026. La página web oficial lo explica de forma muy clara: el conjunto de datos de referencia incluye 1507 Una tarea sobre una vulnerabilidad real, que abarca 188 Un proyecto de software a gran escala; la vulnerabilidad procede de una divulgación real del tipo OSS-Fuzz, y no de un CTF de juguete.
La acción principal del Nivel 1 no consiste en «señalar las funciones sospechosas», sino en lo siguiente: a partir de una descripción textual de la vulnerabilidad y un código fuente sin parches, el agente debe generar un PoC capaz de reproducir la vulnerabilidad. Para que se considere un éxito, es necesario que la vulnerabilidad se active en la versión afectada y no se active en la versión corregida; esto es mucho más exigente que redactar un análisis en el que se indique que «puede haber un problema».
La propia página web del proyecto lo reconoce: la mejor combinación inicial (OpenHands + Claude 3.7 Sonnet) solo alcanzaba una tasa de éxito de poco más del 10 %; las dificultades residen en el enorme volumen de código fuente, los contextos extensos y la verificación en varias etapas. Solo cuando alguien consiga elevar la tasa de éxito hasta cerca de la máxima puntuación, el interés periodístico del tema se verá amplificado.

99,38 %: figura en el archivo JSON de la página web oficial
Este artículo se ha extraído directamente de cybergym.io Archivos de datos públicos /assets/data/cybergym.json. En las entradas de nivel 1, la fuente se indica como Qihoo 360, el nombre del agente es TuLongFeng, Redacción del modelo de la base DeepSeek-V4.1-Flash el registro,puntuación_10 为 0.9938(es decir, el 99,38 %, aunque los medios lo redondean al 99,4 %), fecha: 23 de septiembre de 2026,enfoque 为 agente, y con campañas: [1496, 1499, 1498]——Esto concuerda con la narrativa de «tres rondas de evaluaciones independientes» que aparece en el comunicado de prensa.
Ordenados según el criterio «Agent-focused», Tulongfeng ocupa actualmente el primer puesto en los datos JSON públicos; le siguen de cerca Lyrie Agent (99,20 %), Creation Tiangong (98,47 %) y OrcaCyber (98,01 %), entre otros. En otras palabras: hay más de uno que se acerca a la puntuación máxima, pero Tu Longfeng sigue siendo, por el momento, el que ostenta la puntuación más alta en los datos públicos.

A la hora de consultar la clasificación, asegúrate de cambiar el filtro. La vista predeterminada de la página, «Model-focused», coloca en los primeros puestos modelos como Gemini 3.8 Flash Cyber, GPT-5.5-Cyber y XekRung, cuyas puntuaciones suelen superar el 80 %; se trata de otra categoría, no significa que «Tu Longfeng haya perdido frente al 88 %».
Los comunicados de prensa de Xinhua y otros medios también señalan que Tulongfeng utiliza un «modelo grande en el ámbito de la seguridad + un enjambre de agentes inteligentes especializados», e integra la experiencia de los expertos en la cadena de hipótesis, verificación y confirmación; se han detectado más de 15 000 vulnerabilidades, se han conectado más de 500 empresas y ha superado la evaluación de los agentes inteligentes de detección de vulnerabilidades del Instituto de Información y Comunicaciones (CAICT): estos datos proceden de 360 y de los medios de comunicación; este artículo no ha realizado pruebas independientes, por lo que solo se incluyen a título informativo.
No leas «alcanzar la cima» como si fuera una excavadora todoterreno
El examen CyberGym Nivel 1 evalúaReproducción de fallos históricos, no se trata de «buscar sin límite códigos 0-day desconocidos». A los medios les encanta hablar de la «Copa del Mundo», pero las reglas del concurso se basan en la tasa de éxito de las pruebas de concepto (PoC) sobre criterios públicos; es muy estricto y tiene sus límites.
La propia página web advierte: la descripción de las vulnerabilidades puede ser imprecisa; cuando la puntuación del sistema líder ya es muy alta, unos pocos puntos porcentuales no tienen por qué reflejar una diferencia sustancial en la capacidad; el funcionamiento del agente es aleatorio, por lo que la puntuación puede fluctuar. El hecho de que la campaña se haya mantenido estable en torno al 99,2 %-99,5 % durante tres rondas demuestra la estabilidad del sistema, pero no significa que «ya no se necesiten investigadores de seguridad humanos».


Otro detalle que los titulares suelen pasar por alto: en la ficha pública, el campo de modelo vinculado a Tuluo Feng es DeepSeek-V4.1-Flash, y no un «misterioso modelo de gama alta» de código cerrado de alguna empresa. El enfoque de la narrativa se centra más bien en la «ingeniería de sistemas de agentes de seguridad + cadena de herramientas del sector», y no en «una plataforma de desarrollo propio que lo supera todo».
Para los equipos de seguridad, la interpretación práctica se divide en tres niveles: en primer lugar, alinear el proceso de trabajo de los agentes con los estándares públicos, en lugar de limitarse a mostrar demostraciones internas; en segundo lugar, diferenciar entre «reproducción exitosa» y «divulgación responsable/corrección»: una puntuación alta en los estándares no equivale a una alta calidad de los parches; en el tercer nivel, hay que prestar atención a las etiquetas de características como los entornos dinámicos o la memoria durante las pruebas; muchas entradas con puntuaciones altas declaran explícitamente que han utilizado capacidades dinámicas, como Docker vulnerable «limpiado».
En cuanto a las historias sobre equipos chinos del tipo «discípulos de campeones mundiales», este artículo solo recoge la información verificable: en las clasificaciones públicas sí que aparecen las puntuaciones más altas de Qihoo 360 y TuLongFeng. No se profundizará en los antecedentes de los personajes ni en las anécdotas sobre el entrenamiento interno, a menos que se disponga de material oficial de primera mano.
Volviendo al diseño de la evaluación en sí: CyberGym permite ajustar diferentes parámetros de análisis, pero la tarea principal siempre gira en torno a «descripción + código → PoC funcional». El artículo también señala que, durante la evaluación, se descubrieron además decenas de casos de vulnerabilidades de día cero y parches históricos incompletos, lo que demuestra que el banco de pruebas no es solo una herramienta para batir récords, sino que también puede identificar implicaciones de seguridad. No obstante, esos hallazgos adicionales pertenecen al ámbito del artículo científico y constituyen una cadena de pruebas distinta a la de las entradas de Tulongfeng (99,38 %); no hay que fusionarlas en una sola frase del tipo «al alcanzar la cima, de paso se descubrieron un montón de vulnerabilidades de día cero».
En cuanto a la frase «derrotar a OpenAI y Anthropic» que aparece en los comunicados de prensa de los fabricantes, sería más preciso decir que, en la misma lista, figuran GPT-5.5-Cyber, Claude Mythos Preview, Gemini 3.8 Flash Cyber, entre otros, que cuentan con capacidades de ciberseguridad reforzadas; sin embargo, la mayoría de ellos se encuentran en la vista de filtrado por modelos, y su rango de puntuación no se interpreta de la misma manera que en los sistemas orientados a agentes. Se puede decir que «compiten en el mismo escenario», pero afirmar que «los superan directamente en un enfrentamiento uno contra uno» puede llevar a una interpretación excesiva.
Si gestionas un agente interno de detección de vulnerabilidades, puedes utilizar el JSON público como tabla de referencia: registra los campos «focus», «features» (entorno dinámico, memoria de pruebas, múltiples modelos), «trials» y «source_url». Sin estas puntuaciones internas, resulta muy difícil realizar comparaciones transversales con otros equipos. Las entradas de Tulongfeng incluyen explícitamente la característica «dynamic Docker», lo que en sí mismo forma parte de los límites de capacidad y del coste de reproducción.
Por último, un recordatorio sobre la cronología: en el archivo JSON, la fecha de esta noticia es el 23 de septiembre de 2026, mientras que su difusión viral en chino se concentró entre finales de octubre y principios de noviembre. No es raro que el ritmo de las noticias vaya por detrás de la presentación de los análisis; al analizar este tipo de noticias, hay que diferenciar entre «fecha de presentación», «fecha de publicación» y «fecha de verificación», para evitar que los lectores piensen que, como la prueba se completó ayer, el porcentaje es del 99,4 %.
Nuestra valoración:El 99,4 % no es un eslogan, sino un 99,38 % que se puede comprobar en el archivo JSON de la página web oficial. Lo que realmente merece la pena destacar es que «el sistema Agent ha convertido la reproducción de vulnerabilidades en un proceso en serie estable»; no hay que malinterpretarlo como si la plataforma china de código cerrado ya hubiera superado por completo a los buques insignia de Silicon Valley, ni pasar por alto que ya hay varios competidores en el mismo sector que superan el 97 %.
Enlaces de referencia
- Página oficial de reseñas y clasificaciones de CyberGym
- CyberGym publica datos JSON
- GitHub: sunblaze-ucb/cybergym
- arXiv: Artículo sobre CyberGym
- Xinhua: 360 - Tu Longfeng alcanza la cima (comunicado de prensa)
- Quantum Bit: 99,4 % — Noticia de la primera posición


评论列表 (0条):
加载更多评论 Cargando...