GeneralityLabs Exploit Bench测试结果

GeneralityLabs在Exploit Bench基准测试中表现出对harness参数的高度敏感性。V4.1 Flash版本性能弱于5.3 Flash版本，在Claude Code中表现最佳，Codex排名第二。Exploit Bench默认基准使用类似Python while循环的原始实现。