Pesquisadores formalizaram ataques de negação de serviço no tempo de inferência (PI-DoS) que exploram o alto custo computacional do raciocínio explícito em múltiplos passos em Grandes Modelos de Raciocínio (LRMs). Eles apresentam o ReasoningBomb, um framework baseado em aprendizado por reforço que treina um atacante para gerar prompts naturais curtos que levam os modelos vítimas a traços de raciocínio patologicamente longos e frequentemente não terminantes.
- Em sete modelos de código aberto e três LRMs comerciais, o ReasoningBomb induz uma média de 18.759 tokens de conclusão e 19.263 tokens de raciocínio.
- O método supera a segunda melhor linha de base em 35% nos tokens de conclusão e 38% nos tokens de raciocínio.
- Ele alcança uma razão de amplificação de entrada para saída de 286,7x em média comparado a consultas benignas.
- O ReasoningBomb contorna a detecção com sucesso de 99,8% em base de entrada, 98,7% em base de saída e 98,4% contra detecção conjunta rigorosa de dois estágios.
Este trabalho destaca uma nova vulnerabilidade nos LRMs onde a capacidade de raciocínio estendido pode ser usada como arma para criar condições severas de negação de serviço por meio de engenharia de prompts furtiva.