近期多项研究揭示了人工智能在智能合约安全测试中的实际表现与潜在局限。在隔离环境下对405个曾遭攻击的合约进行模拟,结果显示207个成功复现攻击代码,但该结果不意味着实际系统会遭受相同损失。
Anthropic于2025年12月发布的SCONE-bench研究,基于2020至2025年间真实攻击事件,重建以太坊、BNB链和Base链的历史状态进行测试。模拟显示,被复现攻击涉及资产损失约5.501亿美元(约合7327亿元人民币)。值得注意的是,所有测试均在本地环境中完成,且仅针对已知受攻击合约,不能代表新部署合约或实时服务的风险水平。
研究还发现,当测试模型在知识截止日期后出现的新漏洞时,模拟被盗金额为460万美元(约合6.12亿韩元)。此外,在对2849个未发现已知缺陷的新合约测试中,共识别出2个新漏洞,对应的模拟损失为3694美元(约合492万韩元),而所用GPT-5 API成本达3476美元(约合463万韩元)。
OpenAI与Paradigm于2026年2月发布EVMbench,从漏洞检测、攻击复现和修复建议三个维度评估模型性能。测试涵盖117个来自40份审计报告的真实漏洞。结果显示,GPT-5.3-Codex在复现历史攻击模式上的准确率达71.0%,而GPT-5仅为33.3%。所有测试均在本地Anvil环境中运行。
OpenAI强调,当前系统尚未完全适配复杂的真实安全场景,尤其在区分真实漏洞与误报方面仍存在判断偏差,检测结果需进一步人工校验。
OpenZeppelin在审阅EVMbench数据后指出,部分高危项目在实际中无法构成有效攻击,可能因公开审计报告已被纳入模型训练集,导致分类失真,影响评分可靠性。
Andreessen Horowitz在2026年4月开展的价格操纵实验中,成功复现前10起历史攻击案例。然而,当限制代理程序访问攻击后的交易记录时,复现数量骤降至仅2起。若提供完整攻击流程,则在20个案例中可复现14起。不同条件下的成功率差异表明,信息获取程度直接影响模型表现,不可简单横向比较。
2026年6月发布的CyberChainBench论文评估了9条以太坊兼容链上的541起历史攻击事件。最佳组合在检测、攻击复现和修复建议三项任务中的得分分别为37.5%、43.7%和23.4%。
研究显示,使用Codex与GPT-5.5组合在模拟复制200起攻击目标状态时,可生成约5740万美元(约合765亿港元)的虚拟损失金额。但需明确,该数值仅为模拟推演,不代表真实区块链上发生过或可实现的实际收益。
由于各基准测试在目标合约范围、数据输入条件和任务设计上存在差异,攻击复现率不能直接转化为真实系统被攻破的概率。因此,不应将分数高低作为衡量安全性的唯一依据。
根据Chainalysis 2026年6月报告,过去半年内未经验证的智能合约相关损失累计达3670万美元(约合489亿港元)。尽管报告将AI辅助逆向工程列为新兴风险因素,但尚无确凿证据证明这些损失由AI直接引发。
值得注意的是,部分损失集中出现在已完成审计的协议中,反映出仅通过审计历史难以全面评估实际风险。这表明,审计通过与真实安全性之间并不存在绝对关联。
智能合约以代码形式自动执行金融逻辑。安全团队必须对AI提出的问题进行人工复现验证,并在修复后重新测试功能完整性。OpenZeppelin建议,未来评估体系应引入可复现的攻击证明机制,并由专业人员确认漏洞有效性,提升整体可信度。