论文第二版及官方项目材料中的 WebExploitBench 与 PostExploitBench。
测什么
AgentCyberRange 将 Web 应用测试与企业式网络中的任务分开。WebExploitBench 在 15 个应用中设置 110 个漏洞，包含已知漏洞与合成案例；PostExploitBench 提供八个靶场，共有 156 台内部主机。两条轨道的环境与统计单位不同，不能视为可互换的单一榜单。
AgentCyberRange official website · WebExploitBench official repository · PostExploitBench official repository
任务如何设置
三个信息等级控制智能体获得的帮助，从只有入口信息，到增加结构信息，再到明确的弱点提示。CAGE 提供执行环境、过程记录和评测基础设施。展示结果时，应同时标注所选轨道与信息等级。
AgentCyberRange paper, version 2 · CAGE benchmark integration documentation
如何判分
验证器检查可观察的 Web 结果或经验证的主机访问，并区分权限层级。Pass@1 表示单次尝试成功率；Pass@3（Avg.）取三次尝试的平均；Pass@3（Max）只要任意一次成功即计成功。Web 结果按漏洞统计，论文中的 PostExploitBench 指标则在每个信息等级内跨八个靶场取平均。
适合用来判断什么
适合评估需要跨服务、跨主机维持上下文并完成较长流程的智能体。靶场设置和过程记录便于分析规划及工具使用的持续表现。对单个 Web 目标的结论，应与网络范围内的任务进展分开理解。
CAGE benchmark integration documentation · PostExploitBench official repository
读分时的限制
公开 GitHub 仓库包含的是部分数据，仅获取仓库并不等于复现完整评测。比较时需保留数据版本、步数限制、智能体配置，以及失败或排除运行的处理方式。更多提示下获得较高分数，不代表在更少信息下具有同样表现。
WebExploitBench official repository · PostExploitBench official repository · AgentCyberRange paper, version 2