Nature Communications 论文：推理模型可作为自主越狱智能体

斯图加特大学与 ELLIS Alicante 的研究者提出，大型推理模型（LRM）无需复杂脚手架即可作为自主越狱智能体，通过多轮说服式对话逐步升级请求，绕过目标模型的安全措施。实验用 DeepSeek-R1、Gemini 2.5 Flash、Grok 3 Mini 和 Qwen3 235B 四个对抗模型，对 GPT-4o、DeepSeek-V3、Llama 3.1 70B、Llama 4 Maverick、o4-mini、Claude 4 Sonnet、Gemini 2.5 Flash、Grok 3、Qwen3 30B 九个目标模型各进行 10 轮对话，基准含 7 类共 70 条有害请求，在该实验设置下的组合越狱成功率为 97.14%。对照实验中，基准项直接投给目标模型时平均危害分低于 0.5，用非推理模型 DeepSeek-V3 作攻击者时平均危害分仅 0.885，作者据此认为推理能力对这些实验结果有重要作用；该组合成功率不能视为任一模型或任意环境下的通用成功率。