Καθώς τα μέτρα ασφαλείας των γλωσσικών μοντέλων ενισχύονται και καθίστανται πιο ανθεκτικά, οι επιτιθέμενοι ωθούνται στην ανάπτυξη ολοένα και πιο σύνθετων μεθόδων παραβίασης ασφαλείας (jailbreaks). Προηγούμενη έρευνα έχει διαπιστώσει ότι αυτή η αυξημένη πολυπλοκότητα επιβάλλει ένα “jailbreak tax” το οποίο υποβαθμίζει την απόδοση του μοντέλου-στόχου στις εκτελούμενες εργασίες.
Η παρούσα μελέτη καταδεικνύει ότι αυτό το κόστος κλιμακώνεται αντιστρόφως ανάλογα με την ικανότητα του μοντέλου. Συγκεκριμένα, οι πιο προηγμένες παραβιάσεις ασφαλείας ουσιαστικά δεν προκαλούν καμία μείωση στις δυνατότητες των μοντέλων.
Αξιολογήθηκαν 28 διαφορετικές παραβιάσεις ασφαλείας σε πέντε σημεία αναφοράς, χρησιμοποιώντας μοντέλα Claude με δυνατότητες που κυμαίνονται από το Haiku 4.5 έως το Opus 4.6. Τα αποτελέσματα έδειξαν ότι το Haiku 4.5 υφίσταται κατά μέσο όρο απώλεια 33,1% στην απόδοση των σημείων αναφοράς όταν παραβιάζεται, ενώ το Opus 4.6, με μέγιστη προσπάθεια σκέψης, χάνει μόλις 7,7%.
Επιπλέον, παρατηρήθηκε ότι σε όλα τα μοντέλα, οι εργασίες που απαιτούν έντονη συλλογιστική παρουσιάζουν σημαντικά μεγαλύτερη υποβάθμιση σε σύγκριση με τις εργασίες ανάκλησης γνώσεων.
Τέλος, η μέθοδος Boundary Point Jailbreaking, η οποία θεωρείται επί του παρόντος η ισχυρότερη παραβίαση ασφαλείας έναντι των αναπτυγμένων ταξινομητών, επιτυγχάνει σχεδόν τέλεια αποφυγή ταξινομητή με σχεδόν μηδενική υποβάθμιση σε όλα τα προστατευμένα μοντέλα. Συνιστάται, επομένως, οι περιπτώσεις ασφαλείας για τα πρωτοποριακά μοντέλα να μην βασίζονται σε μια ουσιαστική υποβάθμιση των δυνατοτήτων τους λόγω παραβιάσεων ασφαλείας.
