تشهد أنظمة الذكاء الاصطناعي، وخاصة نماذج التفكير الكبيرة (Large Reasoning Models)، اعتمادًا متزايدًا لأداء مهام تتطلب استنتاجًا موثوقًا ومتعدد الخطوات. ولكن مع هذا الاعتماد المتزايد، تظهر نقاط ضعف جديدة تتعلق بتوافر الموارد الحاسوبية. إحدى هذه النقاط هي ميل نماذج التفكير الكبيرة 'للتفكير الزائد'، حيث تنتج استنتاجات طويلة ومكررة بشكل مفرط عند مواجهتها بمعلومات ناقصة أو متناقضة منطقيًا.

في دراسة حديثة، تبيّن أن هذا السلوك يؤدي إلى زيادة كبيرة في زمن الاستنتاج واستهلاك الطاقة، مما يشكل نقطة ضعف محتملة يمكن استغلالها في هجمات حرمان الخدمة (Denial-of-Service). في هذا الإطار، تم تطوير إطار آلي يستهدف نماذج التفكير الكبيرة لتعزيز هذه الظاهرة عن طريق تعديل الهيكل المنطقي لمشكلات الإدخال.

تستخدم هذه الطريقة خوارزمية جينية هرمية (Hierarchical Genetic Algorithm) لاستخراج المشكلات الهيكلية وتحسين وظيفة ملائمة مركّبة تهدف إلى زيادة طول ردود الاستجابة وعلامات التفكير الزائد. النتائج أظهرت أداءً خاصًا متميزًا، حيث استطاعت تحسين طول المخرجات حتى 26.1 مرة مقارنةً بمعايير MATH. بالإضافة إلى ذلك، أظهرت التجارب انتقال فعالية المدخلات المعادية، حيث كانت فعالة ضد نماذج كبيرة تجارية على الرغم من استخدام نموذج مض proxy صغير للابتكار.

تشير هذه النتائج إلى أن التفكير الزائد يمثل نقطة ضعف مشتركة يمكن استغلالها في نظم التفكير الحديثة، مما يبرز الحاجة إلى تعزيز الدفاعات ضد هذه الأنواع من الهجمات.