RECUR：经由递归熵引导的反事实利用与反思实现资源耗尽攻击

大型推理模型（LRM）通过推理来解决复杂任务。这种显式推理需要更长的上下文长度，导致资源消耗大幅增加。已有工作表明，对抗性构造的输入可以触发冗余的推理过程，使 LRM 暴露于资源耗尽漏洞之下。然而，推理过程本身，尤其是其反思部分，受到的关注有限，尽管它可能导致过度反思并消耗过多算力。在本文中，我们提出递归熵（Recursive Entropy）来量化反思中资源消耗的风险，从而揭示推理自身固有的安全问题。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实施的资源耗尽攻击。它构造反事实问题，以验证 LRM 的内在缺陷与风险。大量实验表明，在良性推理下，递归熵呈现明显的下降趋势。RECUR 打破这一趋势，将输出长度最多增加 11 倍，并使吞吐量下降 90%。我们的工作为鲁棒推理提供了新的视角。