Retroactive Chain-of-Thought（RetroCoT）：跨模型代际的法证重构提示安全诊断

论文提出RetroCoT，将有害请求改写为“事后法证重构”任务，测试模型是否会逆向还原造成有害结果的因果链。在AdvBench的50个样本中，gpt-4o和gpt-4o-mini的攻击成功率分别为58%和52%，明显高于直接请求基线；GPT-5系列拒绝该提示，但在延续既有法证语境的对话中仍出现脆弱性。