
CodeMender 推出托管版:Google 的漏洞修復代理程式進入公開預覽
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百萬 tokens · 184 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百萬 tokens · 215 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 87 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 tokens · 97 tok/s
- orca新Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百萬 tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百萬 tokens · 76 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百萬 tokens · 109 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百萬 tokens · 209 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百萬 tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
在其生命的最初八個月裡,CodeMender 是 Google DeepMind 最默默無聞的成功產品:一個能發現真實軟體漏洞並交付真實修補程式的 AI 代理——在產品定價之前,已有 72 個修補程式被合併到開源專案中。2026 年 7 月 21 日,它變成了另一種形態:Google Cloud 上公開預覽的受管企業級產品,運行於以 Gemini 3.5 Flash 為核心的多模型技術棧上,而其最深層的掃描則由一個經過安全調校的模型——Gemini 3.5 Flash Cyber——提供支援,該模型 Google 僅限政府及受信任的合作夥伴使用。
這不是一次模型發表,所以讓我們把日期說精確。CodeMender 可追溯至 2025 年 10 月 6 日,當時 Google DeepMind 以研究專案的形式推出它,並建構在 Gemini Deep Think 的推理能力之上。過去幾週真正改變的是產品化。原本作為內部研究管線、需人工審查的代理程式,如今已成為受管理的代理程式,任何 Google Cloud 客戶都能在公開預覽中採用,且預覽結束後將提供按用量計價。這個轉變——從研究專案變成可購買的產品,以及驅動它的受限模型——才是新聞重點。
7月21日發生了什麼變化?
Google Cloud 於 2026 年 7 月 21 日一舉將 CodeMender 從研究推向受管代理程式。該服務現已於 Gemini Enterprise Agent Platform 上提供公開預覽,並可部署為 Google AI Threat Defense 的核心元件,與 Mandiant 和 Wiz 並肩運作。這樣的定位至關重要:這並非獨立的示範工具,而是專為整合進現有安全組織的工具鏈與核准流程而設計的代理程式。

受管版本明確採用多模型架構,而這部分讀起來就像路由器的規格表。團隊可在 Gemini 3.5 Flash(預設選項,旨在平衡成本、速度與掃描深度)、Gemini 3.1 Pro(用於更深入的分析)與 Gemini 3 Flash(用於更高吞吐量的掃描)之間做選擇。Google 表示,第三方前沿模型選項將於 2026 年稍晚推出。語言涵蓋範圍包括 C、C++、Go、Java、Python、Ruby、Rust 與 TypeScript/JavaScript,並具備對 Django、Flask、React、Spring Boot 與 Express 等框架的感知能力。
受管 CodeMender 實際上如何運作
該管道是一個三階段循環:掃描、驗證、修復。聽起來很簡單;設計決策才是讓它有別於單純外掛 LLM 的 lint 工具的關鍵。
掃描。CodeMender 利用模型對程式碼庫的上下文理解,來找出靜態分析工具會遺漏的漏洞——記憶體毀損、注入缺陷、加密弱點、不安全的資料處理。智能體會對執行路徑進行推理,而非基於特徵進行模式比對。
驗證。這是大多數「AI 安全」產品跳過的步驟。CodeMender 會在隔離的、由客戶管理的沙盒中建置並執行概念驗證攻擊,以在發現結果送達開發人員之前,確認其確實可被利用。Google 自己的說法是,這能大幅降低誤報率,而誤報率正是安全團隊長久以來不信任自動化掃描器的原因。
修復。它會生成程式碼 diff,並以 LLM-as-a-judge 步驟在呈現任何結果之前,先檢查修復是否符合組織規則與業務邏輯。每個修補程式仍須經由人類核准後才能進入儲存庫——研究時期的人類參與(human-in-the-loop)紀律完整地保留下來。
在操作層面上,Google 將透過客戶 VPC 的安全流量路由、資料隔離、加密,以及原始碼資料零保留,列為預覽版可用的功能。對於處理專有原始碼的工具而言,這套控制措施才是真正的企業級功能。
閘控引擎:Gemini 3.5 Flash Cyber
CodeMender 內部最深層的掃描由 Gemini 3.5 Flash Cyber 驅動;這款模型是 Google 於 2026 年 7 月 21 日發布,在 Gemini 3.5 Flash 之上微調而成,專門用於尋找、驗證並修補漏洞。它不是通用型模型,也不是任何傳統意義上的商品販售。存取途徑是透過 CodeMender 的限量試點計畫,僅限政府機關與通過審核的受信賴合作夥伴;未來規劃逐步開放更廣泛的存取,但沒有明確時間表。目前沒有公開 API、沒有自助註冊管道,也沒有公布的定價——Google 僅表示它具有成本效益,定價與標準 Gemini 3.5 Flash 相當,而非高階安全模型的價格;不過那只是意圖上的宣稱,並非實際的費率表。

CodeMender 的使用方式值得一提:代理程式會多次呼叫 Gemini 3.5 Flash Cyber——Google 描述過針對單一最終報告可設定多達五次呼叫——因此子代理程式能分析大型程式碼庫中遠比大型模型單次掃描所能涵蓋的更多程式碼路徑,然後彙整發現。這種「多次廉價呼叫勝過一次昂貴呼叫」的設計,正是基準測試標題背後的成本工程故事。
標題數字全都是供應商回報的,而這個區別正是此模型的關鍵所在。在 Google 自家針對 V8 JavaScript 引擎的評測中,Gemini 3.5 Flash Cyber 發現了 55 個獨家確認的問題,相較之下主線 Gemini 3.5 Flash 為 47 個、Claude Opus 4.6 為 36 個——其中包含 10 個其他兩個模型都沒抓到的問題。在針對 Chrome 和 Safari 等複雜程式碼庫進行的 Big Sleep 風格評測中,Google 聲稱它「大幅超越」了主線 Flash 模型;而在 Google 自身的生產環境使用中,它在兩小時內就發現了公開 API 中的遠端程式碼執行漏洞,以及一個敏感生產服務中的記憶體損毀缺陷——並且在某個時刻,它產生了一個 100% 可靠的 RCE 漏洞利用程式,繞過了 ASLR 和 W^X 防護機制。最後那一項發現,正是此模型受到管制的原因。
您可以驗證的內容與供應商報告的內容
將帳目分開來看是值得的,因為以上每個數字都可追溯至 Google。唯一具有外部來源意義的基準是 CyberGym,這是一個涵蓋約 188 個真實開源專案中約 1,500 個已記錄漏洞的資料集,由 Google 的 Big Sleep 團隊與學術研究人員合作建構。在 CyberGym 上,媒體分析將 Gemini 3.5 Flash Cyber 的表現定在約 83.2%——與 OpenAI 的 GPT-5.5-Cyber 的 85.6% 及 Anthropic 的 Mythos 5 的 83.8% 緊密相連。Google 本身僅宣稱「相較於規模明顯更大的模型,具有競爭力的表現」,這讀來確實是三強接近平手的準確描述。
其餘的一切——V8 計數、Big Sleep 比較、Chrome 提交掃描的提升——都是 Google 在自己掌控的程式碼庫中,以自己選擇的基準來評量自家模型。這並不使結果變成假的,而是讓它們無法重現:因為模型受到限制,外部研究人員無法執行它,因此沒有獨立的確認可供佐證。請將 55 個 issue 的 V8 數字視為強烈的廠商訊號,而非已驗證的事實。
價格、存取,以及誰在使用
對大多數讀者而言,實際的問題是「我能用這個嗎?」目前,誠實的答案是:不能直接使用。CodeMender 透過 Gemini Enterprise Agent Platform 和 AI Threat Defense 向 Google Cloud 客戶提供公開預覽,而 Google 尚未公布定價——目前的計畫是在預覽結束後按 token 使用量計費。Gemini 3.5 Flash Cyber 的範圍更窄:僅限試點,僅限政府及受信任的合作夥伴,且在任何修補程式發布前都需經過人工核准步驟。
Google 已點名的客戶名單——包括公開測試者中的 Salesforce、Robinhood 和 Palo Alto Networks,以及內部使用它的 Chrome、Android、Cloud、Ads 和 YouTube——表明其目標買家是安全組織,而非個人開發者。在 AI Threat Defense 中,Wiz 將能呼叫 CodeMender 掃描程式碼,並由 Wiz 的 Green Agent 協調修補。
在模型之上進行建構意味著什麼
{{1}}持續浮現的設計細節是多重模型模式:常規掃描選用 Gemini 3.5 Flash,深度分析時用 Gemini 3.1 Pro,高流量時用 Gemini 3 Flash,需要時再用專業模型。{{/1}}{{2}}這就是路由——模型路由器在整個目錄中泛化的同一決策,以每個請求為單位暴露出來,而非硬編碼進單一產品。{{/2}}
CodeMender 和 Gemini 3.5 Flash Cyber 目前無法透過 API 呼叫,我們也不對其進行路由。但 CodeMender 內部的預設引擎 — Gemini 3.5 Flash — 是團隊現在就能呼叫的模型。它已上架 OrcaRouter,以供應商列表價格提供:每百萬輸入 token 1.50 美元、每百萬輸出 token 9.00 美元,0% 加價直接轉傳,與 200 多個其他模型一同位於單一 API 之後。如果你想在今天用一個普遍可用的前沿模型,在自己的防護措施下建立掃描與分流工作流程,那就是務實的路徑 — 而如果你想針對程式碼庫測試較新或未經驗證的安全模型,又不想讓正式生產管線承擔風險,具備自動故障轉移的路由功能可讓你用一個金鑰切換模型,無需第二份合約。

重點
CodeMender 轉為受管服務,對 AI 安全產品類別而言是一項真正的里程碑:一個具備生產環境實績的漏洞修復代理,以企業級控管包裝,按 token 計價,並由一個在攻擊性工作上表現極其出色、以致 Google 選擇將其鎖定而非廣泛銷售的模型所驅動。對於 Google Cloud 內部的安全團隊來說,這個預覽版值得認真看待——具備沙箱驗證的掃描到修補循環,確實領先於掃描器加 LLM 的現狀。
對於其他人來說,這項公告並未改變實際上的重點:該能力受到限制,但其背後的引擎——Gemini 3.5 Flash 等級的推理能力——今天即可透過一般 API 使用,而 CodeMender 內建的路由模式,你也可以自行採用。未來幾個月請留意兩件事:預覽結束後按用量計價的價目表,以及 Google 是否會將 Gemini 3.5 Flash Cyber 試點計畫開放給政府與受信任夥伴以外的對象。任一進展都將是這個故事的下一個真正訊號。
本文中的比較2
根據本文內容識別 · 基準測試:Artificial Analysis · 每日更新
