对齐回退：为什么更聪明的 AI 模型让所有 AI 更不安全

一篇发表于 Nature Communications 的研究让四个推理模型（DeepSeek-R1、Gemini 2.5 Flash、Grok 3 Mini、Qwen3 235B）在仅给出一句系统提示、无人工介入的情况下自行规划越狱策略，对九个目标模型发起多轮攻击，在 25,200 条测试输入上取得 97.14% 的攻击成功率。研究作者据此提出对齐回退概念，认为每一代更强的模型会削弱整个生态的安全对齐。Failure-First 称其 VLA 测试在 63 条对抗轨迹上测得 72.4% 的攻击成功率且无明确拒答，半数回复为部分执行；该机构还称安全训练投入而非模型规模是越狱抵抗力的主要决定因素。