Each language version is independently generated for its own context, not a direct translation.
这篇论文介绍了一个名为 EVM-QuestBench 的新工具，你可以把它想象成是给“人工智能（AI）”考的一场极其严格的“区块链交易实操大考”。
为了让你更容易理解，我们用几个生活中的比喻来拆解它：
1. 为什么要考这场试？（背景与痛点）
想象一下，你让一个非常聪明的AI 管家帮你去银行转账或者投资。
- 以前的考试：就像让 AI 写一份“转账计划书”。只要它写的字看起来像真的（比如格式对、用词专业），以前的考试就给它打高分。
- 现实的问题：在区块链世界里，“看起来像真的”没用，必须“真的能转出去”才行。如果 AI 把地址写错了一位，或者把金额的小数点搞错了，用户的钱就会永久丢失，而且无法撤回。
- 现在的困境：现有的考试太注重“文字相似度”，忽略了“能不能真的执行”。这就好比只检查菜谱写得漂不漂亮，却不检查厨师做出来的菜能不能吃。
2. EVM-QuestBench 是什么？（核心概念）
这是一个**“实战演练场”**。它不再让 AI 只写代码，而是让 AI 真的在区块链上“动真格”。
- 考场环境：它搭建了一个**“平行宇宙”**（技术叫“分叉链”）。在这个宇宙里，AI 的操作不会真的影响现实世界的钱，但操作的过程和结果和真的一模一样。
- 考题形式：
- 自然语言指令：考官（人类）用大白话出题，比如“把 0.1 个 ETH 换成 USDT"。
- AI 的任务：AI 必须听懂人话，然后写出能直接执行的代码（TypeScript 脚本）。
- 自动裁判：代码写好后，系统会自动运行。如果钱真的转对了，账户余额变了，就得分；如果转错了或者钱丢了，就零分。
3. 考试分两种难度（任务分类）
这场考试把题目分成了两类，就像游戏里的“新手村”和“副本”：
原子任务 (Atomic Tasks) —— “单点射击”
- 比喻：就像“给张三发 100 块钱”或者“买一张彩票”。
- 要求：只需要做一步动作。考的是 AI 的精准度。比如，能不能把小数点算对？能不能找到正确的收款人？
- 数量：62 道题。
复合任务 (Composite Tasks) —— “连环闯关”
- 比喻：就像“先给张三授权，再让他买彩票，最后把中奖的钱存进银行”。
- 要求：需要多步操作，而且每一步都要依赖上一步的结果。如果第一步授权失败，后面全都会失败。考的是 AI 的逻辑规划能力和记忆力。
- 数量：45 道题。
- 特殊规则：如果 AI 绕了弯路（比如本来 3 步能做完，它走了 5 步），分数会打折。这就像玩游戏，走捷径得分高，绕远路扣分。
4. 考试怎么保证公平？（动态出题）
为了防止 AI 靠“死记硬背”作弊，这个考试采用了**“随机生成”**机制：
- 比喻：以前的考试题目是固定的（比如“转 100 元”），AI 可能背过答案。现在的考试，每次出题时，金额、地址、时间都是随机抽取的（比如这次转 0.37 元，下次转 1000 元）。
- 效果：AI 必须真正理解“转账”的逻辑，而不是背答案。这就像每次考试都换一套随机生成的数学题，而不是考固定的应用题。
5. 考试结果怎么样？（发现与结论）
作者找了 20 个不同的 AI 模型来考试，结果发现了一个有趣的现象：
- 偏科现象严重：
- 有些 AI 是**“单点高手”**：做简单的单步转账非常准，但一遇到需要多步规划的复杂任务就“脑子短路”，完全乱套。
- 有些 AI 是**“规划大师”**：虽然偶尔会在简单的数字计算上犯错，但能很好地规划多步流程，把复杂任务做完。
- 有些 AI 是**“代码专家但不懂业务”**：它们写的代码语法完美，但在区块链的复杂规则（比如先授权再交易）面前，完全不知道该怎么操作，导致任务全部失败。
6. 总结：这篇论文的意义
这篇论文就像给 AI 行业立了一块**“新路标”**：
- 不再只看“写得像不像”：以后评价 AI 写代码，要看它**“能不能跑通”**。
- 安全至上：在涉及真金白银的区块链领域，任何小错误都是灾难。这个测试能帮我们要找出那些“看起来聪明但实际危险”的 AI。
- 模块化设计：这个考试系统很灵活，以后想加新题目（比如新的区块链玩法），只需要像搭积木一样加个新规则就行，不需要重写整个系统。
一句话总结：
EVM-QuestBench 是一个**“区块链界的驾校路考”**，它不再让 AI 在纸上谈兵，而是把它扔进真实的（模拟）交通流中，看它到底能不能安全、准确地把钱送到目的地。