Контент доступен только для PRO подписчиков
Чтобы получить доступ к полному содержанию этого исследования, оформите PRO подписку
Раскрытие внутренней этической уязвимости согласованных больших языковых моделей
КЛЮЧЕВАЯ СУТЬ
Адаптировать под запрос
Безопасность современных LLM — это ТОНКАЯ ОБОЛОЧКА, наложенная поверх огромного массива сырых знаний. Эта защита активируется только при стандартных шаблонах диалога. Измени структуру запроса — и модель обращается к своим исходным, нефильтрованным знаниям. КЛЮЧЕВОЙ ПРИНЦИП: защитные механизмы — не глубокое понимание этики, а поверхностная подгонка под шаблон.