Контент доступен только для PRO подписчиков
Чтобы получить доступ к полному содержанию этого исследования, оформите PRO подписку
Сахарная отрава безвредного поколения освобождение LLM джейлбрейк
КЛЮЧЕВАЯ СУТЬ
Адаптировать под запрос
Метод использует феномен DEFENSE THRESHOLD DECAY (DTD) - когда LLM генерирует много безобидного текста, её внутренние механизмы безопасности ослабевают. Сначала заставляешь модель написать что-то хорошее, а потом, когда её "бдительность" снижена, даёшь команду на противоположное. Это как усыпить охранника добрыми разговорами, а потом попросить ключи от сейфа.