该论文针对物联网（IoT）设备密码工程安全领域缺少专用评测基准的空白，提出了 CESBench。研究背景在于：对 IoT 设备而言，仅有安全的密码算法远远不够——拥有物理接触能力的攻击者可以直接攻击实现本身（如侧信道、故障注入），而实现缺陷在设备部署后极难修补。同时，大语言模型已被广泛用于生成和分析这类密码实现代码，但现有基准要么只覆盖密码学理论，要么只覆盖通用网络安全，没有任何一个覆盖“密码工程”这一实现层面的安全维度。CESBench 由专家撰写，共 380 道题目，分布在六个子域：侧信道、故障注入、实现、防护措施、评估与集成。题目分为四种任务类型以考察不同能力：209 道单选题考察知识记忆，67 道判断题要求给出安全结论并附理由，63 道场景题要求进行工程诊断，41 道代码题由 572 个测试用例自动评分。为验证基准，作者让 11 个开源权重与闭源商用 LLM 完成全部题目：选择题与代码题自动打分，判断题与场景题由 LLM 裁判评分，并用另一模型族的第二裁判以及人工重打分进行交叉校验，以保证评分可靠性。结果显示，各模型综合得分区间为 54.4% 至 83.6%。各任务类型的最高分分别为：选择题 98.6%、代码题 95.1%、场景诊断 88.4%，而判断题仅 58.8%。跨模型统计发现，88.5% 的安全结论是正确的，但其理由仅获得评分要点中 53.4% 的分数。这说明选择题对最强模型已接近天花板、大部分代码任务也能完成，而“为安全结论给出充分且正确的论证”仍是最弱的能力项。论文公开了基准、提示词与逐题结果。