Los investigadores han formalizado ataques de denegación de servicio en tiempo de inferencia (PI-DoS) que explotan el alto costo computacional del razonamiento explícito multi-paso en Modelos de Razonamiento Grandes (LRMs). Presentan ReasoningBomb, un marco basado en aprendizaje por refuerzo que entrena a un atacante para generar prompts naturales cortos que llevan a los modelos víctimas a trazos de razonamiento patológicamente largos y a menudo no terminantes.

  • En siete modelos de código abierto y tres LRMs comerciales, ReasoningBomb induce un promedio de 18.759 tokens de completado y 19.263 tokens de razonamiento.
  • El método supera al segundo mejor baseline en un 35% en tokens de completado y un 38% en tokens de razonamiento.
  • Logra una relación de amplificación de entrada a salida de 286,7x en promedio comparado con consultas benignas.
  • ReasoningBomb elude la detección con un éxito del 99,8% en base a la entrada, 98,7% en base a la salida y 98,4% contra una detección conjunta estricta de dos etapas.

Este trabajo destaca una nueva vulnerabilidad en los LRMs donde la capacidad para el razonamiento extendido puede ser utilizada como arma para crear condiciones severas de denegación de servicio mediante ingeniería de prompts sigilosa.