OpenCompass Hub

AIRTBench

AIRTBench 是一个专为评估大型语言模型（LLM）在“红队”安全任务中的自主攻击能力而设计的评测基准。本基准包含 70 个黑盒 CTF（夺旗赛）挑战，模拟真实 AI/ML 系统漏洞环境，要求模型独立编写 Python 代码进行漏洞发现、利用与夺旗操作，体现其计划、推理与系统操控等综合能力。