Cogent Security: VR-1.1 repariert laut Hersteller mehr Schwachstellen als Claude Code und Codex
Auf LiveCVEBench löst das Reasoning-Modell laut Cogent 57,9 Prozent der Aufgaben, Claude Code und Codex je 45,3 Prozent. Die Zahlen stammen vom Hersteller, der Tokenverbrauch liegt etwa sechsmal höher, und die Herkunft des Modells ist offen.
Mit KI erstelltInhalt
◆ Fakten auf einen Blick
- Cogent Security hat VR-1.1 am 3. November 2026 als neueste Version seines Cybersicherheits-Reasoning-Modells veröffentlicht.
- Laut Cogent reparierte VR-1.1 auf LiveCVEBench 57,9 % der 190 Aufgaben, Claude Code und Codex je 45,3 %.
- Claude Code (Claude Opus 5.5) und Codex (GPT-5.6-Cyber) erreichten jeweils 45,3 %.
- LiveCVEBench wurde von Forschern des Harbin Institute of Technology und von Kuaishou Technology gebaut.
- Die 190 Aufgaben umfassen 14 Programmiersprachen; Erfolg verlangt einen Patch, der die Schwachstelle schließt und die Funktionalität erhält.
VR-1.1 repariert 57,9 Prozent der LiveCVEBench-Aufgaben, Claude Code und Codex je 45,3
Cogent Security hat am 3. November 2026 VR-1.1 veröffentlicht. Das Reasoning-Modell schreibt Fixes für neu offengelegte Schwachstellen und ist der Nachfolger von VR-1. Laut Cogent erzeugte VR-1.1 auf dem öffentlichen Benchmark LiveCVEBench bei 57,9 Prozent der 190 Aufgaben eine funktionierende Reparatur. Claude Code mit Claude Opus 5.5 und Codex mit GPT-5.6-Cyber kamen laut denselben Angaben auf jeweils 45,3 Prozent. Der Abstand liegt damit über 12 Prozentpunkten.
Bei gleicher Trefferquote steht der Agent mit weniger Tokens vorn. Claude Code liegt deshalb vor Codex. Wie sich VR-1.1 gegenüber seinem Vorgänger verbessert hat, lässt sich nicht beurteilen. Zahlen zu VR-1 liegen nicht vor.
Unabhängig nachgeprüft sind die Ergebnisse bislang nicht.
So misst LiveCVEBench, und so erklärt Cogent den Vorsprung
LiveCVEBench stammt von Forschern des Harbin Institute of Technology und von Kuaishou Technology. Der Benchmark macht veröffentlichte CVEs zu ausführbaren Reparaturaufgaben und wird laufend um neue Schwachstellen erweitert. Die 190 Aufgaben decken 14 Programmiersprachen ab. Der Agent bekommt eine Entwicklungsumgebung, den Schwachstellenbericht und den betroffenen Code. Der Patch muss die Lücke schließen und die Funktion der Software erhalten. Wie das konkret geprüft wird, geht aus den vorliegenden Textauszügen nicht hervor. Sie brechen an dieser Stelle ab.
Alle Agenten hätten dasselbe Setup und drei Versuche pro Aufgabe erhalten, teilt Cogent mit. Die Ergebnisse stünden auf dem öffentlichen Leaderboard.
Den Vorsprung führt Cogent auf Training an Security-Reparaturarbeit zurück, außerdem auf ein Harness, das dem Vorgehen von Security-Ingenieuren nachempfunden sei: Die Schwachstelle reproduzieren, reparieren und danach versuchen, den Fix zu brechen. Dafür schreibe VR-1.1 eigene Proof-of-Concept-Exploits, verfolge verwandte verwundbare Codepfade, prüfe eigene Patches aus frischem Kontext und erzeuge Regressionstests.
Mehr Tokens, offene Frage zur Herkunft
Die höhere Trefferquote hat ihren Preis. Pro erfolgreicher Aufgabe braucht VR-1.1 im Schnitt rund 2,23 Millionen Tokens und 31 Turns. Claude Code kommt auf etwa 380.000 Tokens und 8,4 Turns, Codex auf etwa 684.000 Tokens und 15,3 Turns. VR-1.1 verbraucht damit etwa sechsmal so viele Tokens wie Claude Code. Wer das Tool einsetzt, muss den Mehrverbrauch gegen die Trefferquote abwägen und die Patches weiter prüfen. Auch diese Werte stammen von Cogent. Eine unabhängige Prüfung fehlt.
Offen bleibt, was VR-1.1 technisch ist. Cogent beschreibt es als eigenes, auf Security-Reparatur trainiertes Modell. Auf openai.com heißt es dagegen, Cogent kombiniere OpenAI-Modelle mit Unternehmenskontext, um Schwachstellen mit Agenten automatisch zu beheben. Das muss kein Widerspruch sein, denn die Aussage könnte sich auf die Plattform insgesamt beziehen. Ob VR-1.1 ein Fine-Tuning, ein eigenes Basismodell oder eine Agenten-Schicht ist, geht aus dem Material nicht hervor.
Zu Verfügbarkeit und Preisen fehlen Angaben. Cogent führt VR-1.1 als Bestandteil seiner Plattform.



