Контент доступен только для PRO подписчиков
Чтобы получить доступ к полному содержанию этого исследования, оформите PRO подписку
A доменная основанная таксономия уязвимостей джейлбрейка в крупных языковых моделях
КЛЮЧЕВАЯ СУТЬ
Адаптировать под запрос
Вместо случайного подбора формулировок, используй КОНКУРИРУЮЩИЕ ЦЕЛИ для создания внутреннего конфликта в модели. LLM обучена быть одновременно полезной (выполнять инструкции) и безвредной (отклонять опасные запросы). Твоя задача — создать ситуацию, где цель "быть полезной" станет важнее цели "быть безвредной". Помести сложный запрос внутрь благородной задачи — ролевой игры, образовательного контекста или творческого задания.