Vals AI publicó el 5 de noviembre de 2026 una nueva ronda de CyberBench, un benchmark que pregunta si los agentes de IA logran encontrar fallas de seguridad en código y producir parches. La respuesta corta es: Wonder, de Meta, lidera con 80,36%, y la mayoría de los agentes queda bastante por debajo.
Benchmarks5 min
CyberBench: ¿la IA encuentra bugs de seguridad?
CyberBench prueba si los agentes de IA logran encontrar fallas de seguridad en código y producir parches. Wonder, de Meta, lidera con 80,36%.
Marcelo Santiago
Criador do bridgecode
La mayor newsletter de IA del Mundo
Recibe artículos sobre IA en tu correo
Selección técnica sobre modelos, agentes y herramientas de código. Sin spam, cancela cuando quieras.
CyberBench no prueba si el modelo conoce vulnerabilidades conocidas. Entrega un repositorio con fallas inyectadas y pide que el agente encuentre el bug y escriba un parche que corrija el problema sin romper las pruebas existentes. Es una prueba de ingeniería de seguridad, no de memorización de CVEs.
En este artículo vas a ver:
- Lo que CyberBench pide que haga el agente.
- Cómo funciona la evaluación (pasos, límites, criterio de aprobación).
- El ranking oficial del 5 de noviembre de 2026 y qué muestran los números.
- Por qué este benchmark importa para quien usa agentes de código.
¿Qué es CyberBench?
CyberBench es un benchmark que evalúa si un agente de IA logra encontrar una falla de seguridad en un repositorio y producir un parche que la corrija. Cada tarea entrega un repositorio con una vulnerabilidad inyectada y las pruebas existentes. El agente debe localizar el bug, entender la causa raíz y escribir una corrección que pase las pruebas de seguridad y las pruebas de regresión.
La idea es medir capacidad de análisis y corrección, no detección por patrón. El agente no tiene acceso a internet, a bases de CVEs ni a herramientas de análisis estático. Puede inspeccionar el código, ejecutar las pruebas e iterar sobre la corrección. Esto se acerca más al trabajo real de un desarrollador de seguridad que ejecutar un escáner automatizado.
Esto diferencia a CyberBench del CWE-bench v2, que mide la capacidad de identificar el tipo de vulnerabilidad. Aquí el agente debe corregir el problema. También se diferencia del Vals CyberOffense, que mide si modelos abiertos logran invadir redes corporativas.
Cómo funciona la evaluación
Vals AI evalúa a los agentes en 48 tareas públicas de CyberBench. Cada tarea provee un repositorio con una vulnerabilidad inyectada. El agente recibe una terminal bash, un sandbox offline y el prompt estándar del benchmark. Puede inspeccionar el código, ejecutar las pruebas e iterar sobre la corrección, pero no puede usar internet, consultar bases de CVEs ni usar herramientas externas de análisis estático.
La entrega contiene el parche producido por el agente. Vals aplica el parche y ejecuta las pruebas de seguridad y las pruebas de regresión en un contenedor nuevo. El agente tiene hasta 1.000 pasos, límite de 6 horas de reloj y 180 segundos de timeout por acción. La salida de las herramientas se trunca a 10.000 caracteres en los extremos.
Un parche pasa si corrige la vulnerabilidad y no rompe las pruebas existentes. No hay crédito parcial por explicación: o la corrección funciona, o no.
El ranking oficial del 5 de noviembre de 2026
Vals probó 48 agentes en CyberBench. Wonder, de Meta, lidera con 80,36% de aciertos, seguido por Claude Opus 5.5 con 75,00% y GPT-6 Astra con 72,22%. La mayoría de los agentes queda por debajo del 60%.
| Posición | Modelo | Acierto |
|---|---|---|
| 1 | Wonder (Meta) | 80,36% |
| 2 | Claude Opus 5.5 | 75,00% |
| 3 | GPT-6 Astra | 72,22% |
La diferencia entre el primero y el segundo es de más de 5 puntos porcentuales. Esto muestra que encontrar y corregir fallas de seguridad sigue siendo una tarea difícil, incluso para los modelos más fuertes.
Vals también compara agentes en costo y latencia por tarea. Wonder es más barato por intento, pero Claude Opus 5.5 es el segundo más preciso.
Cómo probar hoy
Para quien quiere probar, Vals pone a disposición la metodología y los resultados en la tabla de clasificación oficial. Puedes ejecutar los mismos agentes en tu propio repositorio y comparar el resultado con el ranking publicado.
Vals también publica el código de evaluación y los prompts utilizados, lo que permite reproducir las pruebas en otros modelos y entornos. Esto es útil para equipos que quieren validar si un agente nuevo cumple con sus necesidades de seguridad antes de adoptarlo en producción.
Por qué importa este benchmark
CyberBench mide una capacidad que los benchmarks de corrección no capturan: la habilidad de encontrar y corregir fallas de seguridad en código real. Esto es útil en tres escenarios reales.
Primero, revisión de seguridad automatizada: cuando quieres que un agente revise código antes de pasar a producción. Segundo, triaje de vulnerabilidades: cuando tienes muchas alertas y necesitas priorizar cuáles corregir. Tercero, validación de agentes de código que deben actuar en repositorios con requisitos de seguridad.
El resultado de 80,36% también es un recordatorio de límite. Incluso el mejor agente se equivoca en casi el 20% de los casos. Para quien usa agentes de código en el día a día, esto refuerza la necesidad de revisión humana y pruebas, como se discutió en el análisis de Vals CyberOffense en seguridad.
Preguntas frecuentes sobre el CyberBench
¿Qué es CyberBench?
Es un benchmark que evalúa si los agentes de IA logran encontrar fallas de seguridad en un repositorio y producir un parche que las corrija.
¿Qué agente lidera CyberBench?
El 5 de noviembre de 2026, Wonder, de Meta, lideraba con 80,36%, seguido por Claude Opus 5.5 con 75,00% y GPT-6 Astra con 72,22%.
¿CyberBench parte de un repositorio existente?
No. El agente recibe un repositorio con una vulnerabilidad inyectada y debe producir un parche que la corrija, sin acceso a internet ni a bases de CVEs.
¿Cuáles son los límites de tiempo y pasos?
Cada agente tiene hasta 1.000 pasos, 6 horas de reloj y 180 segundos por acción. El parche debe corregir la vulnerabilidad y no romper las pruebas existentes.
¿Cuántas tareas tiene CyberBench?
Vals AI evalúa 48 tareas públicas. Cada tarea pide la corrección de una falla de seguridad en un repositorio.
Conclusión: la seguridad sigue exigiendo revisión humana
CyberBench es uno de los benchmarks que prueban si el agente entiende seguridad de verdad. Los números del 5 de noviembre de 2026 muestran que encontrar y corregir fallas de seguridad es difícil incluso para los modelos más fuertes. Sigue la tabla de clasificación oficial para ver cómo cambian los números con nuevos modelos.
Un squad de agentes puede dividir análisis, corrección y revisión, y eso es lo que coordina en bridgecode.
Fuente: Vals AI
Tags:#benchmark#cyberbench#vals-ai#seguranca#agentes
Desarrollador y creador de bridgecode, un entorno de desarrollo agéntico para orquestar squads de agentes de IA. Ayuda a quienes van del vibe coding al desarrollo profesional a pasar de la idea al producto entregado.
Artículos relacionados
Benchmarks
SRE Bench: ¿la IA hace ingeniería inversa de binarios?
SRE Bench prueba si los agentes de IA logran hacer ingeniería inversa de binarios sin código fuente. GPT-6 Astra lidera con 56,87%.
5 min
Benchmarks
Vibe Code Bench: ¿la IA construye una app web desde cero?
Vibe Code Bench prueba si los modelos de IA logran construir aplicaciones web completas a partir de una descripción. Claude Sonnet 5.5 en OpenHands lidera con 92,39%.
5 min
Benchmarks
ProgramBench: ¿la IA reconstruye programas desde cero?
ProgramBench prueba si los modelos de IA pueden reconstruir programas de línea de comandos a partir de un binario y una especificación. Claude Opus 5.5 lidera con 18,50%.
5 min