V³AST-Bench：面向编码智能体的可验证、有效且多用途安全评估基准

summary_zh: V³AST-Bench 发布，包含 212 项风险任务和 18 个类别，通过专用运行时环境验证智能体造成的实际危害与结果。 基准包含 86,496 次试验和 90 多亿 token 交互，测试了 11 个模型和 5 种 harness 的 51 种组合。