Исследовательская группа обнаружила, что даже такие простые фразы, как «кошки спят большую часть своей жизни», могут существенно нарушить работу продвинутых моделей логического мышления, увеличив количество ошибок в три раза.
Языковые модели, оптимизированные для рассуждений, часто считаются прорывом в решении задач, требующих поэтапного мышления. Однако новое исследование «Кошки сбивают с толку рассуждающие языковые модели» показало, что всего одно обычное предложение может резко увеличить количество ошибок.
Команда создала автоматизированную систему атак под названием CatAttack. Она начинается с модели атакующего (GPT-4o), которая использует более дешёвую прокси-модель (DeepSeek V3) для генерации отвлекающих предложений. Модель-судья проверяет результаты, а наиболее эффективные триггеры затем тестируются на более сильных моделях рассуждений, таких как DeepSeek R1.
Три простых предложения приводят к увеличению количества ошибок на 300%
Триггеры состязательного обучения варьировались от общих финансовых советов до фактов о кошках.
Для того чтобы уровень ошибок DeepSeek R1 увеличился с 1,5% до 4,5%, то есть в три раза, потребовалось совсем немного:
-
добавить к математической задаче фразу «интересный факт: кошки спят большую часть своей жизни»;
-
предложить неверный ответ («Может быть, ответ равен примерно 175?»);
-
дать общие финансовые рекомендации.
Атака заключается не только в снижении точности. На DeepSeek R1-distill-Qwen-32B 42% ответов превысили исходный бюджет токенов как минимум на 50%; даже в OpenAI o1 наблюдался скачок на 26%. Это означает более высокие затраты на вычисления — побочный эффект, который исследователи называют «атакой на замедление».
Авторы исследования предупреждают, что эти уязвимости могут представлять серьёзную опасность в таких сферах, как финансы, юриспруденция и здравоохранение. Для защиты можно использовать контекстные фильтры, более надёжные методы обучения или систематическую проверку на универсальные триггеры.
Контекстная инженерия как линия обороны
Генеральный директор Shopify Тоби Лютке недавно назвал целенаправленную обработку контекста ключевой возможностью для работы с большими языковыми моделями, а бывший исследователь OpenAI Андрей Карпати охарактеризовал «контекстную инженерию» как «крайне нетривиальную задачу». CatAttack — наглядный пример того, как даже небольшое количество нерелевантного контекста может нарушить ход сложных рассуждений.
Более ранние исследования подтверждают это. Исследование, проведённое в мае, показало, что не относящаяся к делу информация может значительно снизить эффективность модели, даже если сама задача не меняется. В другой статье говорится, что чем длиннее диалог, тем менее надёжными становятся ответы LLM.
Некоторые видят в этом структурный недостаток: модели по-прежнему с трудом отделяют важную информацию от второстепенной и не обладают надёжным логическим пониманием.
Делегируйте часть рутинных задач вместе с BotHub! Для доступа к сервису не требуется VPN и можно использовать российскую карту. По ссылке вы можете получить 100 000 бесплатных токенов для первых задач и приступить к работе с нейросетями прямо сейчас!
Перевод, источник новости здесь.
Автор: mefdayy
