一项研究引入了回溯式思维链（RetroCoT），这是一种单轮攻击方法，将有害请求重构为法医重建任务，以测试大语言模型安全对齐的鲁棒性。研究表明，当前的对齐策略高度依赖于语用语境，使得模型能够服从语义等价但语用不同的有害目标。

  • 在 AdvBench（n=50）上，RetroCoT 对 GPT-4o 的攻击成功率为 58%，对 GPT-4o-mini 为 52%，而直接请求基线的成功率分别为 0% 和 4%。
  • GPT-5-family 模型通过在其拒绝理由中明确识别重建前提，完全拒绝了 RetroCoT。
  • 一次呈现现有法医重建回复的对抗性反馈轮次，将 GPT-4o 的攻击成功率提升至 94%，对 GPT-5.4-mini 为 48%。
  • 控制条件表明，在既定法医框架内的语用延续而非分数操纵，是绕过防御的关键要素。

这些结果表明，前沿模型的对齐仍然依赖于语用框架而非语义意图，且新的语用语境可能继续暴露安全措施中的漏洞。