被破解的 Frontier 模型仍能保持性能

隨著語言模型防護措施日益強健，攻擊者被迫開發越來越複雜的越獄（jailbreak）攻擊。過往研究指出，這種複雜性會對目標模型造成「越獄稅」，導致任務性能下降。然而，新研究顯示，這種性能稅與模型能力成反比，且最先進的越獄攻擊實際上不會降低模型能力。

研究人員在 Claude 模型系列上評估了 28 種越獄攻擊，涵蓋從 Haiku 4.5 到 Opus 4.6 的五個基準測試。結果顯示，Haiku 4.5 在被越獄後，基準測試性能平均損失 33.1%；而 Opus 4.6 在最大思考努力下，僅損失 7.7% 的性能。這表明能力越強的模型，受越獄攻擊的影響越小。

此外，研究觀察到在所有模型中，需要推理的任務比知識回憶任務顯示出顯著的更多性能下降。目前針對部署分類器最強的 Boundary Point Jailbreaking 攻擊，在安全模型上實現了近乎完美的分類器逃避，同時性能下降接近零。

基於上述發現，研究建議前線模型的安全案例不應依賴越獄會導致有意義的能力下降這一假設。