Контент доступен только для PRO подписчиков
Чтобы получить доступ к полному содержанию этого исследования, оформите PRO подписку
Масштабируемая защита от атак с использованием джейлбрейка в дикой природе с помощью извлечения контекста безопасности
КЛЮЧЕВАЯ СУТЬ
Адаптировать под запрос
Перед обработкой любого запроса система автоматически находит в базе данных 2-4 похожих ВРЕДОНОСНЫХ ЗАПРОСА и примеры правильных БЕЗОПАСНЫХ ОТКАЗОВ на них. Эти примеры добавляются в начало промпта, настраивая модель на безопасное поведение. Вместо общих инструкций по безопасности используется ДИНАМИЧЕСКИЙ FEW-SHOT PROMPTING - показываем конкретные примеры "плохой запрос → правильный отказ" прямо перед новым запросом.