劫持后的前沿模型保持其能力

随着语言模型安全措施变得越来越稳健，攻击者被推向 developing 越来越复杂的劫持技术。先前的研究发现，这种复杂性带来了“劫持税”，使目标模型的任务性能受到损害。我们展示了这一税费与模型能力成反比，最先进的劫持技术实际上几乎不降低模型能力。我们在Claude模型上评估了28种劫持技术，这些模型能力从Haiku 4.5到Opus 4.6不等，在五个基准测试中，我们发现Haiku 4.5在被劫持后平均损失33.1%的基准性能，而Opus 4.6在最大思考 effort下仅损失7.7%。我们还观察到，无论模型如何，基于推理的任务显示出明显的性能下降，而知识回忆任务则表现得更好。最后，Boundary Point Jailbreaking（目前针对部署分类器的最强劫持技术）实现近乎完美的分类器规避，并在受保护模型上几乎零降低。我们建议，前沿模型的安全案例不应依赖于劫持带来的显著能力降低。