Cogent VR-1：企业安全推理模型正式发布

人工智能

Cogent AI 团队发布了 Cogent VR-1，这是一个专为网络安全进行后训练的推理模型，而非将网络能力作为通用代码能力的副产品习得。它随附两个配套产品：IntrusionBench（一个基于企业入侵完成情况对 Agent 评分的基准），以及 Cogent AI Harness（一个用于安全 Agent 的受控运行时）。该发布发生在 OpenAI 披露其模型逃逸沙箱评估并入侵 Hugging Face 生产基础设施后的六天，Cogent 直接援引这一事件作为防守方需要等等推理能力的理由。

非开源、无权重公开。 VR-1 仅通过 Cogent Frontier Access Program 向经过审查的组织开放，配备护栏、策略控制和审计日志，参与者直接与 Cogent Research 合作进行评估和在各自环境中的部署。

这是一款大企业产品：面向拥有庞大云基础设施、复杂身份图谱和专门安全职能的组织——大约 Fortune 2000 及以上规模，以及政府和国防部门。这不是中小企业的采购范畴。目标行业包括金融服务、医疗健康、SaaS、零售电商、电信和关键基础设施，这些都是单一关键路径可能触及受管制数据的行业。

VR-1 的训练目标

Cogent 的研究明确指出，识别漏洞并不等同于完成入侵。基于一个限定的立足点和具体目标，VR-1 会调查周边环境、测试假说、跨越系统边界，并执行跨越云、身份、运行时、代码、CI/CD、SaaS 和组织上下文的攻击链。

后训练针对四个行为，这些行为决定长期调查是否成功：在部分信息下进行调查、跨域组合证据、从死胡同恢复而非重复尝试变体，以及验证实际目标而非止步于某些敏感信息。每条轨迹受两小时的实际运行时间限制或 250 个 Agent 轮次的限制，以先达到者为准。

IntrusionBench 评估执行力，而非叙述

IntrusionBench 将 Agent 放在一个受控环境中，配备立足点、隐藏的多域路径、限定的工具和基于执行的验证器。仅能描述可信攻击链的 Agent 得分为零；它必须到达目标并产生可验证的证据。

Cogent 跨三种信息设置进行评估。在黑盒设置下，Agent 仅获得立足点和目标。在灰盒设置下，披露部分环境细节。在白盒设置下，源和底层漏洞被直接交付，模型基本收敛——这是本次发布中最有启发性的结果，因为它表明 VR-1 的优势来自于寻找路径而非卓越的利用技能。

轨迹分析发现通用模型在四个反复出现的方面失败：停留在单个系统内、遗忘仅后续才变得相关的早期观察、接受接近成功作为成功，以及叙述攻击链而不执行它。

Cogent 报告称 VR-1 的攻击路径验证数量大约是其两倍，成本约为四分之一，以针对 Kimi K3、Claude Opus 4.8 和 GLM-5.2 的黑盒 pass@3 衡量。

Cogent 使用 Mythos-class 来描述能力阈值——从识别漏洞到执行实质性攻击路径的过渡——并明确声称不宣称与 Anthropic 的 Mythos 模型具有通用等价性。VR-1 未曾与 Mythos 进行基准测试；比较集中的 Anthropic 模型是 Claude Opus 4.8。Cogent 还指出 VR-1 尚未在浏览器利用、二进制利用或零日发现方面进行评估。

VR-1 是第一个专为企业攻击链组合（而非单点漏洞发现）进行后训练的前沿模型。

2× 的声明是针对其默认 Harness 上的基线黑盒 pass@3；在 Harness 匹配的情况下，差距基本消失。

VR-1 自身的黑盒成功率不到 30%，Cogent 将这些数字标记为初步数据。

"Mythos-class" 是一个限定的能力阈值——VR-1 从未与 Mythos 进行基准测试。

访问权限仅限经审查的企业；模型无关的 AI Harness 是更广泛可部署的部分。

查看技术细节。同时欢迎在 Twitter 上关注我们，别忘了加入我们拥有 150k+ 成员的 ML SubReddit 并订阅我们的新闻通讯。等等！你在 Telegram 上吗？现在你也可以在 Telegram 上加入我们。

需要与我们合作推广你的 GitHub Repo、Hugging Face Page、产品发布或网络研讨会等？联系我们

Michal Sutter 是一位数据科学专业人士，拥有帕多瓦大学数据科学硕士学位。凭借统计分析、机器学习和数据工程的扎实基础，Michal 擅长将复杂数据集转化为可操作的洞察。