Des chercheurs ont formalisé des attaques par déni de service au moment de l'inférence (PI-DoS) qui exploitent le coût computationnel élevé du raisonnement explicite multi-étapes dans les Grands Modèles de Raisonnement (LRMs). Ils présentent ReasoningBomb, un cadre basé sur l'apprentissage par renforcement qui entraîne un attaquant à générer des invites naturelles courtes qui poussent les modèles victimes vers des traces de raisonnement pathologiquement longues et souvent non terminantes.

  • Sur sept modèles open-source et trois LRMs commerciaux, ReasoningBomb provoque en moyenne 18 759 tokens de complétion et 19 263 tokens de raisonnement.
  • La méthode surpasse la baseline suivante de 35 % en tokens de complétion et de 38 % en tokens de raisonnement.
  • Elle atteint un ratio d'amplification entrée-sortie de 286,7x en moyenne par rapport aux requêtes bénignes.
  • ReasoningBomb contourne la détection avec un taux de succès de 99,8 % sur les méthodes basées sur l'entrée, 98,7 % sur celles basées sur la sortie, et 98,4 % contre une détection conjointe stricte à deux étapes.

Ce travail met en lumière une nouvelle vulnérabilité des LRMs où la capacité de raisonnement étendu peut être utilisée comme arme pour créer des conditions sévères de déni de service via l'ingénierie d'invites furtives.