先给结论：安全评测不能只报打穿了没。打穿是结果，过程由隔离环境、输入难度、工具和评分器共同决定。只报零一，会把找不到漏洞、复现不了、写不出利用、拿不到目标四档混成同一个零分。要把四件原语拆开，并按攻击链给部分分，才分得清模型卡在哪一档。

为什么「会不会打穿」不是一张合格证

痛点是把开放式利用当成闭卷对错。利用路径几乎任意：拒绝服务、读文件、改库、提权、外连。方法对不上，就只能钉结果。结果太粗：一个零分可能已经找到漏洞，另一个零分连入口都没摸到。把两者写成同一句「不会」，会把半程能力写成零，也会把碰巧打穿写成全面能力。

四件原语是评测骨架。隔离目标：脆弱系统跑在独立环境里，不能打到评测机本身。输入难度：最难时只给代码，对应零日；容易时给说明或补丁，对应一日。工具：命令行、读写、调试、静态分析、长任务状态。评分器：交利用或交旗帜，立刻给对错，尽量确定性。少一件，分数就不可比。

只看最终结果还有第二条坑：奖励黑客。模型可能用和漏洞无关的捷径把旗帜摸走。所以除了结果，还要抽查过程记录，确认它真的走了那条漏洞，而不是绕开题目。

五步把安全评测从总分收成门禁

1. 先写四件原语。没有隔离目标、难度旋钮、工具清单、确定性评分器，套件当未写完，不准拿去对模型。
2. 攻击链拆成部分分。至少四档：找到漏洞、写出能触发的复现、做成未授权执行、达成攻击者目标。零分要能指出卡在哪一档。
3. 零日和一日分开。零日不给说明；一日给公开描述或补丁。混报会把「会读公告」写成「会挖洞」。
4. 防护开和关分开。关防护测的是会不会碰原始漏洞；开防护测的是会不会绕过地址随机化一类现场门闩。两档分数禁止合成一张表。
5. 失败原因分类。探索不足、任务理解错、焦点跑偏、工具用错、推理断档，要分列计数。只报成功率，下一次不知道改哪。

现场有三条。其一，夺旗、公开漏洞、崩溃复现、利用扩写、引擎阶梯、多主机红队、合约资金，测的不是同一层。夺旗测找漏洞加利用；公开漏洞测在活应用上打真实缺陷；崩溃复现测根据说明写出触发样本；利用扩写测把崩溃样本做成未授权执行；引擎阶梯测从覆盖到出沙箱到控指令；多主机测扫描、横移、提权、搜信息和外带；合约测在分叉链上把余额打上去。混报一张「安全分」，会把不会的那层藏进会的那层。

其二，工具变好不一定分数变好。长会话终端和检索对有的模型有用，对有的模型会把步数花在空转上。工具清单是实验因子，不是默认加分项。换工具要单独对照，禁止把工具升级写成模型升级。

其三，系统框架常常比底座模型更决定多主机成败。把高层任务（扫描、横移、提权、找信息、外带）和具体命令拆开，把环境状态放到提示词窗外，规划才撑得住几十台主机。拿掉任务抽象，成功率会掉到接近零。所以多主机分数要写清：这是框架分还是模型分。

度量六件事：四件原语是否写全、部分分是否按攻击链给、零日一日是否分列、防护开关是否分列、失败原因是否分类、框架和模型是否拆开报。六件说不清，安全评测是演示录像。录像不能当发布条件。

有人会说结果对就行，过程不必看。过程不看，捷径会赢。捷径赢了，线上换一种防护，分数会突然归零。所以评分器钉结果，抽查钉过程，两件都要。

样本要难到人也会花时间。只用几分钟能解的题，测不到连接步骤的能力：截断报文拼起来、补丁反推利用、低位暴力撞地址。人队首次解开时间可以当难度轴，但不要把它当成模型必须对齐的人设。模型卡在连接步骤，记连接失败，不记「还不够像人」。

成本也要进表。大规模崩溃复现会烧掉接口费和算力。关掉思考模式省钱，打开思考模式可能换来更高成功率。这两档禁止合成。报分数时写清：思考开还是关、每题几次尝试、时限多少。

合约场景还要防污染。历史利用如果已经公开，模型可能在背答案。要用知识截止日期之后的样本，或新部署且尚无已知漏洞的合约，才能说「会挖」而不是「会检索旧案」。

结论：安全分是分档，不是一张打穿证明

四件原语是骨架。攻击链部分分是刻度。零日一日、防护开关、框架模型，都要分列。还把一次打穿写成全面安全，是把最易档的结果当成能力上限。

你下次看安全评测声明，先找部分分和难度轴。没有这两项，声明只证明有人会报总分。

本文侧重全链路风控方法论。落地时请用自身业务单据做回放验证，不要把示例阈值直接当生产策略。 相关：风控体检 · 方案资源