Failure-First 的攻击面梯度：从完全防御到完全暴露
The Attack Surface Gradient: From Fully Defended to Completely Exposed
AI summary
Failure-First 汇总 18 个月对 172 个模型、18,723 个场景的测试，把攻击面按攻击成功率排成从完全防御到完全暴露的六级梯度。历史越狱在 Codex GPT-5.2 和 Claude Sonnet 4.5 上为 0% 攻击成功率，Gemini 3 Flash 为 1.6%；多轮攻击在 DeepSeek-R1 上达 30% 严格攻击成功率；格式锁定攻击在 Nemotron 30B 上达 92%；6 个 1.5-3.8B 参数的 Ollama 小模型在供应链场景中攻击成功率 90%-100%；VLA 模型整体 67.7%，且零拒答。作者据此认为防御进展真实但范围狭窄，攻击面正从内容转向推理过程与基础设施，具身 AI 是最缺乏对抗评测的一层。