RECUR：基于递归熵引导的反事实利用与反思的资源耗尽攻击

大型推理模型（LRMs）通过推理解决复杂任务，但其显式推理需要更长的上下文长度，导致资源消耗显著增加。先前研究表明，对抗性输入可能触发冗余推理过程，使LRMs面临资源耗尽的漏洞。然而，推理过程本身，尤其是其反思部分，尚未受到足够关注，尽管它可能导致过度反思并消耗大量计算资源。本文引入递归熵来量化反思过程中的资源消耗风险，揭示推理过程本身的安全隐患。基于递归熵，我们提出RECUR，一种通过递归熵引导的反事实利用与反思的资源耗尽攻击方法。该方法构建反事实问题以验证LRMs的内在缺陷和风险。大量实验表明，在正常推理下，递归熵呈现明显下降趋势，而RECUR破坏了这一趋势，使输出长度增加高达11倍，并将吞吐量降低90%。本研究为鲁棒推理提供了新的视角。