CryptoFlowBench：面向加密货币资金追踪的区块链多跳推理基准

基于摘要分析。研究针对匿名化账户与复杂智能合约生态下的非法加密货币资金追踪问题，提出 CryptoFlowBench 基准，并提出图工具增强智能体 ChainSleuth，探索从局部欺诈识别走向多跳资金路径推理的方法。 基准由加密货币相关非法事件的权威报告构建，包含四项覆盖局部至多跳资金追踪的任务。摘要指出，现有 Graph Neural Networks（GNNs）的静态节点或边级预测难以自然扩展到多跳追踪，而依赖预定义启发式规则的追踪方法，其自适应推理能力受到限制。具体任务定义、图构建方式、报告与标签的对应关系、数据规模及划分尚未验证。 ChainSleuth 的核心机制是迭代推理、调用图工具并更新追踪轨迹，以支持自适应信息获取和从错误路径中恢复。摘要未提供其底层模型、工具接口、训练方式或推理预算，不能据此判断增益主要来自模型能力、工具访问还是轨迹更新机制。 作者报告，在该基准的四项任务上，没有一个基线始终占优，显示局部欺诈检测与多跳资金追踪之间存在明显能力差距；作者报告 ChainSleuth 在多跳任务上获得显著改进，但摘要未给出具体指标、分数、对照配置或统计依据。实验协议、消融及统计信息尚未验证，复现前需核对任务划分、工具访问范围、推理预算和评估标准。 本文主要研究对象是区块链交易图与加密货币资金调查，并非 EEG 或 BCI。摘要没有提供神经信号任务中的机制对应或验证证据，因此不据此生成 BCI 迁移结论或复现实验建议。