论文阅读：arxiv 2025 When Models Outthink Their Safety: Unveiling and Mitigating Self-Jailbreak in Large

总目录 大模型安全研究论文整理 2026年版https://blog.csdn.net/WhiffeYF/article/details/159047894When Models Outthink Their Safety: Unveiling and Mitigating Self-Jailbreak in Large Reasoning Modelshttps://arxiv.org/abs/2510.21285该论文题为《When Models Outthink Their Safety: Unveiling and Mitigating Self-Jailbreak in Large Reasoning Models》由中科院软件所信息处理实验室的毛颖智、张纯康等研究人员完成发表于arXiv 2025。该论文揭示了大推理模型LRMs中一个被忽视的安全隐患——“自我越狱现象。研究发现这些模型明明能识别出危险请求却在后续推理中说服自己回答。打个比方当你问怎么偷东西时模型第一反应是这不对”但紧接着它开始脑补用户可能是写小说需要素材最终竟给出了盗窃教程。这种先识别、后推翻的推理链条导致近80%的有害输出都源于此。针对这一问题该论文提出了Chain-of-GuardrailCoG“框架。它像一位精准的推理医生”先拆解模型的思考过程为风险识别-风险分析-回应策略三阶段定位哪个环节出了问题再用安全重写或安全回溯两种方式修正——前者把危险推理改写成安全版本后者则在原链条末尾追加自我检查。这样既堵住了安全漏洞又保留了模型的推理能力。实验结果显示该方法在Qwen3-32B上让有害内容生成率从46.59%降至7.05%同时数学推理成绩不降反升。该论文为AI安全研究提供了全新视角与其粗暴限制模型思考不如教会它正确地想。