本文是对基于图神经网络（GNN）的智能合约漏洞检测器中表示层（representation layer）的失败分析。研究指出，这类检测器在机器学习之前先将源代码转换为图结构；如果图未能捕获代码的语义，那么任何模型改进都无法弥补这一缺陷。作者以GNNSCVulDetector为例，识别并实验证明了四个具体的表示层失败：第一，结构不同的合约可能生成逐字节完全相同的图，构成一种具体的规避攻击；第二，图构建过程受限于一个硬编码的47项变量白名单（包含一个重复条目），限制了提取器能识别的变量，导致相同漏洞因变量名不同而产生不一致的图，且图质量随变量名偏离白名单而下降，当无匹配项时管道产生脱离源代码变量的结构；第三，表示重入攻击触发者的C节点在文献中最经典的脆弱合约中缺失；第四，控制实验确认了由此导致的直接误分类：一个完全可利用的合约因C->W边从未被构建而被标记为安全。所有四个失败均通过实验验证。文章还指出，现有文献中的准确率是在未暴露这些失败的条件下测得的。作者确认了一个由表示层失败直接导致的误分类案例，并指出此类失败在真实合约群体中的普遍性仍是一个待探索的实证问题。