본 논문은 기존 대규모 언어 모델(LLM)보다 향상된 논리적 추론 능력을 가진 대규모 추론 모델(LRM)의 안전성 위험에 초점을 맞추고 있습니다. 기존의 LLM 공격에 대한 안전성 주장과 달리, 논문은 추론 과정 자체의 결함을 지적하며, LRM의 고급 추론 능력에서 비롯되는 취약점을 이용한 새로운 공격 방법을 제시합니다. 이를 위해 다양한 일대일 매핑을 사용하여 공격 프롬프트를 변환하는 '카오스 머신(Chaos Machine)'과 비선형 저샘플 공간으로 공격을 투영하는 '마우스 트랩(Mousetrap)' 프레임워크를 제안합니다. 실험 결과, o1-mini, Claude-Sonnet, Gemini-Thinking 등 다양한 LRM에 대해 높은 성공률(96%, 86%, 98%)을 달성했으며, 안전성으로 유명한 Claude-Sonnet에 대해서도 AdvBench, StrongREJECT, HarmBench 벤치마크에서 각각 87.5%, 86.58%, 93.13%의 높은 성공률을 보였습니다. 논문에는 부적절하고 공격적이며 유해한 콘텐츠가 포함되어 있음을 명시하고 있습니다.
