Investigadores logran ralentizar modelos de IA con trampas lógicas - ForkLog

# Investigadores aprenden a ralentizar modelos de IA con trampas lógicas

Especialistas de la Universidad de Zhejiang y Alibaba presentaron en ICML 2026 en Seúl una nueva clase de ataques a sistemas de IA, informa IEEE Spectrum. Su objetivo no es piratear el modelo ni acceder a los datos, sino obligarlo a procesar consultas durante tanto tiempo que se vuelva inútil.

Cómo funciona el nuevo método

Los modelos de razonamiento —a diferencia de los LLM comunes— dividen una tarea en pasos secuenciales antes de responder. Se utilizan cada vez más en sistemas que requieren un análisis complejo de múltiples etapas.

Al trabajar con datos incompletos o contradictorios, estos modelos tienden a pensar en exceso —generar cadenas de razonamiento demasiado largas—. Esto aumenta el tiempo de procesamiento de consultas y el consumo de recursos computacionales. En sistemas automatizados, esto abre un vector para ataques DoS.

Los investigadores desarrollaron un método que provoca intencionadamente este comportamiento. Un algoritmo genético mezcla las condiciones de las tareas, elimina premisas clave y añade otras superfluas. Luego selecciona las variantes que generan la respuesta más larga posible.

En el benchmark MATH, la longitud del razonamiento aumentó 26,1 veces. El método superó a las formas existentes de este tipo de ataque. Resultaron vulnerables DeepSeek-R1, Qwen3-Thinking, GPT-o3 y Gemini 2.5 Flash.

Los autores también descubrieron que las consultas creadas para un modelo pequeño resultaron efectivas contra otros sistemas, incluidos grandes proyectos comerciales. Esto permite preparar ataques a servicios cerrados con un costo reducido.

«Nuestro objetivo no es demostrar que los ataques a gran escala son posibles con un costo mínimo, sino constatar que esta superficie de ataque existe», escribió uno de los investigadores, Wei Cao, en una carta a IEEE Spectrum.

Por qué es importante

Los modelos de razonamiento se utilizan cada vez más en sistemas de IA agéntica, incluidos bots de trading, herramientas de auditoría de smart contracts e infraestructura descentralizada.

En DeFi, los asistentes digitales basados en inteligencia artificial gestionan fondos reales sin intervención humana. Un fallo en la lógica —incluso provocado deliberadamente— genera un riesgo operativo.

El nuevo trabajo se basa en una característica ya conocida de los modelos de razonamiento: la tendencia a pensar en exceso. En febrero de 2025, un grupo de investigadores analizó 4018 trayectorias agénticas e identificó patrones repetitivos de pensamiento excesivo en los modelos:

• parálisis de análisis — el modelo sigue razonando en lugar de ejecutar la tarea;
• acciones impredecibles — tras un error, intenta realizar varias acciones a la vez;
• finalización prematura — detiene la ejecución de la tarea sin verificar el resultado.

Los modelos de razonamiento resultaron más propensos al pensamiento excesivo. Cuanto más pronunciado es el efecto, menor es el rendimiento.

Recordemos que a principios de julio de 2026, los analistas advirtieron que el desarrollo futuro de OpenAI y Anthropic depende cada vez más de la disponibilidad de potencia computacional, la financiación de centros de datos y las decisiones regulatorias.