本文首次揭示了大语言模型（LLM）中由角色一致性（persona consistency）引发的推理成本攻击漏洞。随着LLM在实际应用中的广泛部署，其推理效率和服务可靠性成为关键问题，而自回归生成机制使得恶意提示可以操纵生成行为，诱导模型产生过量token，从而放大计算消耗并威胁服务效率。现有攻击方法主要依赖对抗性后缀或显式的扩展指令，这些方法具有可检测的行为模式，限制了其实际适用性。本文发现，LLM在维持被分配角色时会保持角色一致性，即使这种一致性导致低效推理和过度生成，模型也会忠实执行。基于这一观察，作者提出了RolePlay框架，一种任务感知的动态角色对齐框架，通过构造自适应角色自然诱导低效但语义连贯的生成行为，实现推理成本放大。在多个LLM和多种任务数据集上的大量实验表明，RolePlay显著优于现有推理扩展方法，平均token放大倍数达到7.64倍，最大token放大倍数达到207.64倍。该研究将角色条件化（persona conditioning）识别为LLM推理效率的新攻击面，为计算成本放大提供了新视角。本文适合关注LLM安全、模型鲁棒性以及AI基础设施成本优化的研究人员和安全从业者阅读。