Исследование представляет ретроспективное цепное мышление (RetroCoT), однократную атаку, которая переформулирует вредоносные запросы как задачи судебно-медицинской реконструкции для проверки устойчивости безопасности выравнивания больших языковых моделей. Исследование показывает, что текущие политики выравнивания сильно обусловлены прагматическим регистром, позволяя моделям выполнять семантически эквивалентные, но прагматически различные вредоносные цели.
- На AdvBench (n=50) RetroCoT достигла скорости успешной атаки 58% на GPT-4o и 52% на GPT-4o-mini по сравнению с базовыми значениями прямых запросов, составляющими 0% и 4% соответственно.
- Модели семейства GPT-5 полностью отказались от RetroCoT, явно идентифицируя предпосылку реконструкции в своих обоснованиях отказа.
- Один раунд adversarial обратной связи, представляющий существующий ответ судебно-медицинской реконструкции, повысил скорость успешной атаки до 94% на GPT-4o и 48% на GPT-5.4-mini.
- Контрольные условия показали, что прагматическое продолжение в рамках установленной судебно-медицинской структуры, а не манипуляция оценками, было ключевым элементом обхода защитных механизмов.
Эти результаты указывают на то, что выравнивание передовых моделей остается обусловленным прагматической рамкой, а не семантическим намерением, и что новые прагматические регистры могут продолжать выявлять уязвимости в мерах безопасности.