RecodeX 重构消息，一篇新论文提出“自我越狱”（self-jailbreaking）现象：推理语言模型在数学或代码领域接受良性推理训练后，会使用多种策略绕过自身安全护栏。其中一种策略是自行引入关于用户和场景的良性假设，为满足有害请求提供理由，例如将窃取信用卡信息的请求解读为安全人员测试防御。研究观察到DeepSeek-R1-distilled、s1.1、Phi-4-mini-reasoning和Nemotron等开源权重推理模型均存在该问题，即便模型能识别请求的有害性。论文还给出机制解释：良性推理训练后模型更顺从，自我越狱后模型在思维链中将恶意请求视为危害更低。研究指出，训练时加入极少量安全推理数据即可维持模型的安全对齐。