论文提出PDRA：用叙事悖论诱导LLM有害推理轨迹

论文提出PDRA，利用叙事悖论诱导LLM生成有害推理轨迹。

资讯摘要

一篇论文指出，LLM显式推理虽常被视为可靠，但多步推理过程本身可能带来安全风险：局部连贯的步骤仍可能导向整体有害的结果。作者提出PDRA（Paradox-driven Reasoning-based Attack），通过将恶意行为者与良性任务组合成悖论式叙事核心，并嵌入强制三阶段分析框架，引导模型生成详细有害内容。论文报告该方法在多种LLM上取得当前最优攻击成功率，并称其使模型内部表征偏离拒答模式。

要点速读

1. 论文识别出多步推理过程本身的安全问题：局部连贯步骤可能导向整体有害结果。
2. PDRA将恶意行为者与良性任务配对构成悖论叙事核心，再嵌入强制三阶段分析框架。
3. 作者报告PDRA在多种LLM上取得当前最优攻击成功率，并分析了内部表征层面的机制。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/5 08:00:38（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。