7 个 AI 智能体受命对 Bitcoin 缺陷进行分类和纠正：它们发现了什么？

• 模型 Qwen 3.8、GPT 5.6 和 Fable 失败了：一个卡住了，两个拒绝工作。
• 测试的 7 个模型中有 4 个是开源的，可以在没有过滤器的情况下使用。

Paul Miller 是一位维护用于 Bitcoin 和 Ethereum 项目的加密库的开发人员，他测试了 7 个人工智能 (AI) 代理，以对 Bitcoin Red Team 报告的 5 个真实安全漏洞进行分类和纠正。结果显示模型之间存在显著差异，无论是在运行每个模型产生的美元成本还是在其诊断的准确性方面。

在评估的 7 个代理中，3 个未能完成任务。来自 Alibaba 的 Qwen 3.8 在过程中卡住了，Miller 没有说明原因。据 Miller 本人称，来自 OpenAI 的 GPT-5.6 Sol 和来自 Anthropic 的 Fable 直接拒绝处理这些代码，尽管任务是识别和修复缺陷，而不是利用它们。

完成工作的 4 个代理，Grok 4.6 (xAI)、Kimi K3 (Moonshot AI)、DeepSeek V4 Pro 和 DeepSeek V4 Flash (DeepSeek)，在执行时代币消耗（用户指令）的美元成本差异很大：

• Grok 4.6 的计算消耗成本为 $4.70。
• DeepSeek V4 Pro 处理相同任务的成本为 $0.30，最贵和最便宜的运行模型之间相差 15.7 倍（接近 1500%）。

所花费的时间也差异巨大。DeepSeek V4 Pro 在 30 分钟内完成了工作，Kimi K3 用了 40 分钟，Grok 4.6 用了 1 小时，而 DeepSeek V4 Flash 用了 3 小时，比 DeepSeek V4 Pro 处理相同任务的时间长了六倍 (500%)。

根据 Miller 的说法，只有 Grok 4.6 符合他自己对这 5 个漏洞严重程度的评估。

其他 3 个完成工作的代理（Kimi K3、DeepSeek V4 Pro 和 DeepSeek V4 Flash）夸大了发现的缺陷的严重性，据 Miller 本人称，这最终影响了这 3 个模型交付结果的整体质量。

Miller 的测试正值一波利用人工智能加速搜索和利用 Bitcoin 生态系统中安全漏洞的攻击浪潮之际。

最近几周，Coldcard、Boltz、ZEUS、BTCPay Server 和 LNP2Pbot 遭受了安全事件，这些事件与攻击者在 AI 模型的帮助下识别并利用的缺陷有关。这些案例均未影响 Bitcoin 协议本身，而是影响了在网络之外运行的产品和服务。

这波事件促使 Bitcoin Red Team（一个致力于在开源 Bitcoin 项目中寻找安全漏洞的开发人员小组）发起了一项大规模的 AI 辅助生态系统审计。

Bitcoin Red Team 的审计已经覆盖了 300 多个开源代码库，从这项工作中产生了 Miller 用作对自己 7 个 AI 代理进行测试基础的 5 个漏洞，此外该研究小组还发现了另外 8,000 个缺陷，正如 CriptoNoticias 报道的那样。