Контент доступен только для PRO подписчиков
Чтобы получить доступ к полному содержанию этого исследования, оформите PRO подписку
JBShield: защита больших языковых моделей от атак джейлбрейка посредством анализа и манипуляции активированными концепциями
КЛЮЧЕВАЯ СУТЬ
Адаптировать под запрос
Ключевой результат: Джейлбрейк-промпты не столько скрывают вредоносную суть, сколько добавляют "разрешающий" слой, который перевешивает встроенные ограничения безопасности