本文提出了一项针对大语言模型（LLM）越狱攻击评估方法的关键改进。当前大多数越狱研究仅以攻击成功率（ASR）作为唯一指标，忽略了攻击预算对结果的影响，导致不同攻击方法之间的比较缺乏公平性。已有的计算感知评估试图将异构资源统一折算为FLOPs，但在黑盒场景下难以准确估计，且无法反映特定资源约束。为此，作者引入了Fair-ASR评估协议，以共享的目标调用预算B作为统一比较轴，目标调用次数是直接可观察且与具体方法无关的度量，同时单独记录攻击者调用次数以分析效率。在Fair-ASR协议下，作者重新评估了11种代表性黑盒越狱攻击，发现攻击排名在不同目标调用预算下会发生显著变化；简单的随机扰动和手工模板在相同目标访问权限下依然极具竞争力；而所有被评估的基于LLM的攻击方法都无法在目标调用和攻击者调用两方面同时达到高效。针对这一效率缺口，作者进一步提出了ReCode，一种组合式预算高效攻击方法，其结合了脱敏重写与Fair-ASR识别出的两种低成本攻击原语。在20次目标调用预算下，ReCode在GPT-5上达到85%的ASR，平均每次请求仅需7.19次攻击者调用，展现了出色的双端效率。该研究为越狱评估提供了更科学的比较范式，并为构建高效攻击与防御策略提供了新视角。适合LLM安全研究者、红队评估人员以及模型部署方阅读。