Para peneliti telah memformalkan serangan penolakan layanan saat inferensi (PI-DoS) yang memanfaatkan biaya komputasi tinggi dari penalaran eksplisit multi-langkah dalam Model Penalaran Besar (LRM). Mereka menyajikan ReasoningBomb, sebuah kerangka kerja berbasis pembelajaran penguatan yang melatih penyerang untuk menghasilkan prompt alami singkat yang mendorong model korban ke dalam jejak penalaran yang secara patologis panjang dan sering kali tidak berakhir.

  • Pada tujuh model sumber terbuka dan tiga LRM komersial, ReasoningBomb memicu rata-rata 18.759 token penyelesaian dan 19.263 token penalaran.
  • Metode ini mengungguli baseline peringkat kedua sebesar 35% dalam token penyelesaian dan 38% dalam token penalaran.
  • Ini mencapai rasio amplifikasi input-ke-output sebesar 286,7x rata-rata dibandingkan dengan kueri yang tidak berbahaya.
  • ReasoningBomb lolos dari deteksi dengan keberhasilan 99,8% pada berbasis input, 98,7% pada berbasis output, dan 98,4% terhadap deteksi gabungan dua tahap yang ketat.

Karya ini menyoroti kerentanan baru dalam LRM di mana kemampuan untuk penalaran ekstensif dapat dimobilisasi sebagai senjata untuk menciptakan kondisi penolakan layanan yang parah melalui rekayasa prompt yang samar.