根據 OpenAI 公布資料，EVMbench 建立於 120 個精選高嚴重性漏洞，整理自 40 份專業審計報告，多數來自開源審計競賽 Code4rena。
此外，測試亦納入來自 Tempo 區塊鏈的漏洞情境。Tempo 是一條專為高吞吐量、低成本穩定幣支付設計的 Layer 1 區塊鏈。相關案例將評測範圍延伸至支付導向的智能合約，反映穩定幣應用可能成為 AI 代理未來的重要場景。
OpenAI 表示，測試環境中所使用的漏洞皆為歷史公開案例，不涉及現行主網攻擊風險。
Table of Contents
三種能力模式：Detect、Patch、Exploit
EVMbench 將 AI 在智能合約安全領域的能力分為三種模式：
Detect（漏洞偵測）
AI 需審計智能合約程式庫，找出與人類審計報告中記載一致的漏洞，並依據漏洞召回率及對應審計獎勵計分。
目前評分方式僅核對已知漏洞。若 AI 發現額外問題，尚無機制判定其為真實漏洞或誤報。
Patch（漏洞修補）
在此模式下，AI 必須修改存在漏洞的合約程式碼，在不影響既有功能的情況下消除漏洞。修補結果須通過自動化測試與漏洞利用驗證，且不得導致編譯錯誤。
OpenAI 指出，維持完整功能同時排除細微漏洞，對現階段模型而言仍具挑戰。
Exploit（漏洞利用）
Exploit 模式要求 AI 在隔離的沙盒區塊鏈環境中，執行端到端攻擊流程，成功轉移資金後方可得分。評測透過交易重播與鏈上驗證自動完成。
測試於本地 Anvil 環境運行，並限制不安全 RPC 方法，以確保評估可重現性與安全性。
GPT-5.3-Codex 攻擊模式得分 72.2%
在 Exploit 模式中，GPT-5.3-Codex（透過 Codex CLI 執行）取得 72.2% 成績。相比之下，約六個多月前發布的 GPT-5 得分為 31.9%。
OpenAI 表示，模型在「漏洞利用」任務中的表現優於「偵測」與「修補」任務。在 Detect 模式下，部分模型在識別單一漏洞後即停止進一步審查；在 Patch 模式中，完整保留功能並移除漏洞仍屬困難。
技術設計與限制
EVMbench 採用基於 Rust 的測試框架，用於部署合約、決定性重播代理交易，並限制部分 RPC 呼叫方式。
OpenAI 亦指出測試存在若干限制：
-
漏洞主要來自 Code4rena 審計競賽案例
-
未涵蓋主網高審查度合約的完整複雜度
-
Exploit 模式僅支援單鏈環境
-
測試鏈狀態為本地實例，非主網分叉
-
不涵蓋依賴精確時間機制的攻擊情境
因此，EVMbench 並不等同於完整的真實世界攻防環境，而是作為能力衡量工具。
AI 與智能合約安全的交集
OpenAI 指出，智能合約鎖定大量加密資產，而 AI 系統可能同時被用於攻擊與防禦用途。透過量化模型在此領域的能力，有助於追蹤潛在網路風險，並鼓勵將 AI 用於防禦性審計。
除發布 EVMbench 外，OpenAI 亦宣布：
-
擴大安全研究代理 Aardvark 的私測
-
與開源專案維護者合作，提供免費程式碼掃描
-
承諾提供 1,000 萬美元 API 額度，支援資安防禦與關鍵基礎設施
-
延續自 2023 年啟動的 Cybersecurity Grant Program
OpenAI 表示，相關措施旨在強化防禦能力，同時透過安全訓練與監測機制，降低技術濫用風險。
EVMbench 的推出，為 AI 在智能合約安全領域的能力提供了一套可量化標準。在區塊鏈資產規模持續擴大的背景下，AI 工具在審計與風險管理中的角色可能逐步增加。隨著模型能力進展與產業應用擴展，AI 與智能合約之間的互動，預計將成為區塊鏈基礎設施發展的重要觀察指標。
風險提示
加密貨幣投資具有高度風險，其價格可能波動劇烈，您可能損失全部本金。請謹慎評估風險。
