DoGNAVY-Exploit：用并行开放权重智能体分阶段挖掘漏洞

开放权重模型配合多智能体编排可显著提升漏洞利用基准成绩。

资讯摘要

论文提出 DoGNAVY-Exploit，一个面向漏洞利用的多智能体框架，采用阶段感知分解与渐进式专家知识披露，并以分层编排实现并行探索。作者报告，在受控基准环境中，搭配 GLM-5.2 时在 Cybench 上 Pass@1 达 97.5%，在 CVE-Bench 上零日与一日漏洞 Pass@1 分别为 97.5% 和 100%；在 ExploitGym 上分别用 GLM-5.2 和 GLM-5.3 解决 79 和 157 个任务，高于公开 Claude Code 基线的 39 和 130。

要点速读

1. 框架将长链条漏洞利用拆为可配置里程碑，仅向各阶段提供相关知识，并用分层架构分离规划与并行执行。
2. 共享结构化记忆汇总已验证事实、产物、复现步骤与失败路径，供后续分支和里程碑复用。
3. 消融结果显示，阶段感知编排、专家知识、并行探索与记忆设计均能提升开放权重智能体的利用能力。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/5 08:00:38（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。