简要介绍
- EVMbench 测试 AI 代理在 120 个真实世界的以太坊智能合约漏洞上表现。
- 工具在检测、修补和利用三个不同模式下进行评估。
- GPT-5.3-Codex 在利用模式测试中取得了72.2%的成功率。
ChatGPT的开发者OpenAI和专注于加密的投资公司Paradigm推出了EVMbench，这是一款旨在提升以太坊虚拟机智能合约安全性的工具。
EVMbench旨在评估AI代理检测、修补和利用以太坊虚拟机（EVM）智能合约中高严重性漏洞的能力。
智能合约是以太坊网络的核心，承载着从去中心化金融协议到代币发行的所有代码。据Token Terminal数据显示，2025年11月，以太坊部署的智能合约数量达到历史最高的170万，上周仅部署了66.95万。
EVMbench借鉴了40次审计中的120个精选漏洞，主要来源于Code4rena等公开审计竞赛，OpenAI在一篇博客中介绍。它还包括Tempo的安全审计场景，Tempo是Stripe专为高吞吐、低成本稳定币支付打造的Layer-1区块链。
支付巨头Stripe在12月推出了Tempo的公共测试网，并表示该项目在Visa、Shopify和OpenAI等的建议下开发。
其目标是以经济上有意义的真实代码为基础进行测试，特别是在AI驱动的稳定币支付不断扩展的背景下。
推出EVMbench——一项衡量AI代理检测、利用和修补高严重性智能合约漏洞能力的新基准。https://t.co/op5zufgAGH
— OpenAI (@OpenAI) 2026年2月18日
EVMbench旨在通过三个模式评估AI模型：检测（Detect）、修补（Patch）和利用（Exploit）。在“检测”阶段，代理审计代码仓库，并根据其对真实漏洞的识别能力评分。在“修补”阶段，代理需在不破坏预期功能的前提下消除漏洞。最后，在“利用”阶段，代理在沙箱区块链环境中尝试端到端的资金转移攻击，评分通过确定性交易重放进行。
在利用模式中，运行OpenAI的Codex CLI的GPT-5.3-Codex取得了72.2%的分数，而六个月前发布的GPT-5仅为31.9%。在检测和修补任务中表现较弱，代理有时未能全面审计或难以保持完整的合约功能。
ChatGPT的开发者们警告称，EVMbench尚未完全反映现实世界的安全复杂性，但他们补充说，在经济相关环境中衡量AI性能至关重要，因为模型正成为攻击者和防御者的强大工具。
OpenAI的Sam Altman和以太坊联合创始人Vitalik Buterin此前在AI发展速度上存在分歧。
2025年1月，Altman表示公司“有信心按照传统理解的方式构建AGI”。但Buterin则主张AI系统应具备“软暂停”功能，以便在出现预警信号时暂时限制工业规模的AI操作。
