OpenAI与Paradigm发布了面向以太坊智能合约安全的基准测试EVMbench，核心是用真实漏洞评估AI代理在发现、修复和利用合约缺陷时的表现。OpenAI称，这套测试覆盖120个高严重性漏洞，来源于40份专业智能合约审计。这些合约所处的EVM网络承载着超过1000亿美元的加密资产，安全风险直接关联链上资金。
120个真实审计漏洞构成测试集
EVMbench没有采用合成样例，而是直接建立在历史真实漏洞之上。OpenAI披露，数据集中的大量问题来自公开审计竞赛，包括Code4rena。素材还提到，测试场景纳入了Tempo链相关的安全案例。Tempo是一条面向支付、主打稳定币转账的Layer 1网络，这也让基准测试加入了支付逻辑层面的风险类型。
为了让测试更接近真实攻击环境，工程团队在有条件时复用了已有的漏洞利用PoC脚本；文档不完整的部分，则由团队手动补齐缺失组件。OpenAI表示，处理目标是在保留漏洞可利用性的同时，确保补丁方案能够正确编译。
三种模式分别考察发现、修复与提币攻击
EVMbench把AI代理测试拆分为detect、patch和exploit三种模式。detect模式下，代理需要扫描代码仓库，评分依据是已确认漏洞的召回情况。patch模式要求模型修复漏洞，同时不能破坏合约原有行为。这一点很关键，单纯改掉报错并不算通过。
exploit模式更直接。测试会在沙盒区块链里模拟完整的资金提取攻击，评测器通过交易回放和链上状态检查确认结果。为保持部署结果一致，OpenAI还构建了一套基于Rust的测试框架，用于确定性部署。
利用测试在本地Anvil环境运行
这套利用测试并不运行在真实网络，而是在本地Anvil环境中完成。OpenAI强调，所有漏洞都属于历史上已经公开披露的问题。测试框架同时限制了不安全的RPC调用，以降低被滥用的风险。
已公布的结果显示，GPT-5.3-Codex在exploit模式中得分72.2%，明显高于数月前发布的GPT-5，后者得分为31.9%。不过，OpenAI也提到，当前在漏洞检测和补丁覆盖上的表现仍不完整，说明这类模型在合约安全审计中的能力还没有覆盖全部环节。
OpenAI同步确认一项人事变动
伴随EVMbench发布，OpenAI还确认了新成员加入。OpenClaw创始人Peter Steinberger已加入OpenAI，参与代理开发工作。Sam Altman随后在X上确认这一消息，并称Steinberger将负责下一代个人代理项目。