bingdadaEVMbench是OpenAI与Paradigm合作开发的基准测试，评估AI代理在检测、修补和利用智能合约漏洞方面的能力。包含117个精选漏洞，覆盖检测、修补和利用三种模式，最终推动AI在区块链安全中的防御性应用。
2026年2月18日，OpenAI Research发布了一项重要研究成果——EVMbench。这是一个全新的基准测试，旨在评估AI代理在检测、修补和利用智能合约漏洞方面的能力。随着AI代理在代码读写和执行上的进步，衡量其在经济意义重大的环境中的表现变得至关重要。EVMbench的推出，旨在鼓励AI系统在防御性审计和强化已部署合约中的使用，从而提升区块链生态的安全性。
EVMbench是与Paradigm合作开发的，专注于评估AI代理处理高严重性智能合约漏洞的能力。该基准测试包含来自40次审计的117个精选漏洞，其中大部分源自公开的代码审计竞赛。此外，EVMbench还纳入了来自Tempo区块链安全审计过程的多个漏洞场景。Tempo是一个专为通过稳定币实现高吞吐量、低成本支付而设计的L1区块链。这些场景将基准测试扩展到支付导向的智能合约代码，预计代理稳定币支付将在此领域增长，并为EVMbench提供了新兴实际应用领域的坚实基础。
为了创建任务环境，研究团队改编了现有的概念验证漏洞利用测试和部署脚本（如果存在），否则手动编写。在修补模式下，他们确保漏洞是可利用的，并且可以在不引入编译破坏性更改的情况下进行缓解。在利用模式下，他们编写了自定义评分器，并对环境进行了红队测试，以发现和修补代理可能欺骗评分器的方法。除了通过Paradigm提供的领域专业知识进行任务质量控制外，还使用了自动化任务审计代理来提高环境的健全性。
EVMbench评估三种能力模式：
检测模式：代理审计智能合约代码库，并根据真实漏洞的召回率和相关审计奖励进行评分。这衡量了AI代理发现潜在安全问题的能力。
修补模式：代理修改易受攻击的合约，必须保留预期功能同时消除可利用性，通过自动化测试和漏洞利用检查进行验证。这评估了AI代理在修复漏洞时不破坏合约正常功能的能力。
利用模式：代理在沙盒区块链环境中对已部署合约执行端到端的资金耗尽攻击，通过交易重放和链上验证进行编程评分。这测试了AI代理在实际攻击场景中的表现。
为了支持客观和可重复的评估，研究团队开发了一个基于Rust的框架，该框架部署合约，确定性地重放代理交易，并限制不安全的RPC方法。利用任务在隔离的本地Anvil环境中运行，而不是在实时网络上，漏洞是历史性的且公开记录。这种设计确保了评估的安全性和一致性。
评估涵盖了所有三种模式下的前沿AI代理。在“利用”模式下，通过Codex CLI运行的GPT-5.3-Codex获得了71.0%的分数。这比仅六个月前发布的GPT-5（得分33.3%）有显著提升。然而，检测召回率和修补成功率仍低于完全覆盖，因为很大一部分漏洞对代理来说仍然难以发现和修复。这表明AI代理在复杂安全任务上仍有改进空间。
EVMbench还揭示了不同任务中模型行为的有趣差异。代理在利用设置中表现最佳，因为目标明确：继续迭代直到资金耗尽。相比之下，在检测和修补任务中性能较弱。在“检测”模式中，代理有时在识别单个问题后停止，而不是全面审计代码库。在“修补”模式中，在移除细微漏洞的同时保持完整功能仍然具有挑战性。这反映了AI代理在系统性任务中的局限性。
EVMbench并不代表现实世界智能合约安全的全部难度。包含的漏洞来自Code4rena审计竞赛。虽然这些漏洞是真实且高严重性的，但许多大量部署和广泛使用的加密合约经历了更严格的审查，可能更难利用。 评分系统虽然稳健但并非完美。在“检测”模式中，检查代理是否找到与人类审计员相同的漏洞。如果代理识别出额外问题，目前没有可靠的方法确定它们是否代表人类遗漏的真实漏洞或误报。 在“利用”设置中也存在结构限制。交易在评分容器中顺序重放，因此依赖于精确时序机制的行为不在范围内。链状态是干净的本地Anvil实例，而不是主网的分叉，目前仅支持单链环境。在某些情况下，这需要使用模拟合约而不是主网部署。
智能合约保护着数十亿美元的资产，AI代理可能对攻击者和防御者都具有变革性。衡量模型在这一领域的能力有助于跟踪新兴的网络风险，并强调使用AI系统进行防御性审计和强化已部署合约的重要性。 EVMbench既是一个测量工具，也是一个行动号召。随着代理能力的提升，开发者和安全研究人员将AI辅助审计纳入工作流程变得越来越重要。
在最近几个月中，模型在网络安全任务上的性能有了显著提升，这使开发者和安全专业人员都受益。与此同时，研究团队一直在准备加强的网络保障措施，以支持防御性使用和更广泛的生态系统韧性。 由于网络安全本质上是双用途的，他们正在采取基于证据的迭代方法，加速防御者发现和修复漏洞的能力，同时减缓滥用。缓解措施包括安全训练、自动监控、对高级功能的可信访问，以及包括威胁情报在内的执行管道。
OpenAI正在投资生态系统，以促进AI在区块链安全中的负责任使用。通过EVMbench，他们希望激发更多研究，推动AI代理在防御性审计中的实际应用。随着技术的演进，EVMbench将定期更新以反映新的漏洞类型和攻击向量，确保其持续相关性。 总之，EVMbench代表了AI与区块链安全交叉领域的重要一步。它不仅提供了一个评估AI代理能力的标准化框架，还强调了AI在保护数字资产中的关键作用。随着AI代理继续进化，EVMbench将成为开发者和安全研究人员不可或缺的工具，帮助他们构建更安全、更可靠的区块链应用。
Bingdada 是一个专注 SEO、GEO（生成式引擎优化）与 AEO（答案引擎优化）的内容平台，由资深内容编辑、SEO 技术工程师与 AI 研究专家组成的团队持续运营。我们追踪搜索引擎与生成式 AI 的最新动态，为读者提供准确、实用、可落地的方法论与行业洞察。 编辑团队：内容策划 · 技术编辑 · AI 研究组 网站：bingdada.com © 2026 Bingdada. 保留所有权利。
SEO & GEO 技术探索者，专注于搜索引擎优化和生成式引擎优化。
英伟达内部实践显示，ChatGPT Work正帮助企业团队将信息整合工作自动化，每周节省16小时，并将原型开发周期从数周缩短至数天。这一案例揭示了AI工作流从工具到组织资产演进的趋势。
OpenAI 将 GPT-5.6 系列模型（Sol、Terra、Luna）集成至 Kiro 开发代理，通过规格驱动方法实现约 82% 的成本降低，标志着 AI 编程从能力竞赛转向成本效率竞争。
OpenAI因模型网络能力逼近关键门槛而调整开发策略，强调安全需贯穿训练全周期。文章解析其技术升级，并对比国内AI安全建设路径。
获取最新的 SEO 与 GEO 技术资讯。
我们尊重您的隐私，随时可以取消订阅。
