OpenAI新研究：o1增加推理時間就能防攻擊，網(wǎng)友：DeepSeek也受益
OpenAI的新Scaling Law，含金量又提高了。
像o1這樣的推理模型，隨著思考時間的延長，面對對抗性攻擊會變得更加穩(wěn)健。
圖片
隨著大語言模型被越來越多地賦予Agent能力，執(zhí)行現(xiàn)實世界的任務(wù)，模型被對抗攻擊的風險也與日俱增。
特別是OpenAI官方Agent“Operator”發(fā)布在即，現(xiàn)在放出這樣一個研究，是否是想讓外界更放心一些呢？
而目前主流的“對抗性訓(xùn)練”防御方法，有幾個缺點：
- 依賴先驗知識，需要了解對手的攻擊方式。
- 要交“安全稅”，在穩(wěn)健性和模型能力之間取舍。
現(xiàn)在OpenAI實驗證明，在不做對抗性訓(xùn)練的情況下，只要增加推理時計算，模型的對抗穩(wěn)健性就能顯著提升，在多個任務(wù)上都得到了驗證。
這項新研究，共同一作中包括僅剩的聯(lián)創(chuàng)之一Wojciech Zaremba。
圖片
另一位共同一作Boaz Barak表示“ 我們沒有‘解決’對抗穩(wěn)健性問題……但我對未來方向感到興奮”。
圖片
針對推理模型的新攻防戰(zhàn)
針對推理模型特性，團隊在實驗中考察了幾種的“攻擊面”（attack surfaces）：
- Many-shot攻擊：攻擊者在提示中提供大量上下文示例，攻擊資源量由提供的tokens數(shù)量衡量。
- Soft token攻擊：攻擊者可以直接操縱embedding向量，通過梯度下降優(yōu)化token來達到對抗目的。這是個強有力但不太現(xiàn)實的白盒攻擊。
- Think less攻擊（想太少）：這種新型攻擊旨在降低模型的推理時計算量，從而增加其犯錯概率。
- Nerd-sniping（狙擊書呆子）：當模型陷入不必要的“深思熟慮”，在無謂的地方耗費算力時，反而更容易受到攻擊。
- 人類/AI紅隊攻擊：請專家或AI組成紅隊通過人機交互，針對性探索潛在的prompt注入漏洞。
- 多模態(tài)輸入對抗攻擊：針對圖像分類任務(wù)，使用特定的對抗圖像數(shù)據(jù)集進行攻擊。
在大多數(shù)實驗里，隨著推理時計算的增加，模型抵御攻擊的成功率都在提高。
舉幾個例子：
下面幾張圖中，Y軸是攻擊者的資源量，X軸是推理時間計算量。隨著攻擊者資源的增加，其成功概率也會增加。
但對于每固定數(shù)量的攻擊者資源，成功的概率會隨著模型在推理時花費更多的計算而下降。
在數(shù)學(xué)問題的many-shot攻擊下，攻擊方目標包括要求模型無論如何輸出42，輸出正確答案+1、或正確答案x7。
但隨著推理算力增加，攻擊成功率最終趨于0。
圖片
在智能體網(wǎng)頁瀏覽任務(wù)中，通過在網(wǎng)站注入惡意指令來攻擊，增加推理時計算后，攻擊成功率也降為0。
圖片
即使更強大的攻擊下，增加更多的推理時間還是能顯著提升防御力。
圖片
論文對幾種新穎的攻擊方式做了額外分析。
Think less攻擊，主要是o1-mini比較容易中招，o1-preview防御能力還可以。
圖片
Nerd-sniping攻擊，模型在某些實例上花費異常大的推理時間計算時，攻擊成功率可能更高，表明模型可能會陷入無效率的思考循環(huán)。
圖片
盡管如此，研究者也指出，目前的方法在以下幾個方面有局限：
- 研究僅涉及有限的任務(wù)和計算縮放范圍，在面對利用策略模糊性或漏洞的攻擊時，增加計算量可能無效
- “think less”和“nerd sniping”攻擊也揭示了推理時計算的兩面性，攻擊者可以誘導(dǎo)模型想太多或想太少。
One More Thing
對于這項針對推理大模型特性的研究，有創(chuàng)業(yè)者從不一樣的角度思考：
那么DeepSeek-R1系列也可以從中受益唄？
圖片
參考鏈接：
[1]https://openai.com/index/trading-inference-time-compute-for-adversarial-robustness/[2]https://x.com/boazbaraktcs/status/1882164218004451334
