// 论文详情

KaliBench：面向Kali Linux网络安全工具使用的细粒度基准测试（带无需运行时可验证的奖励）

大语言模型（LLMs）越来越多地应用于网络安全工作流程中，被期望将分析师的意图转化为工具调用。然而，现有的评估侧重于基于知识的考核或端到端的智能体任务，并未直接衡量大语言模型生成可执行命