Обнаружено: фильтры безопасности в LLM — это не правила и не мораль, а тот же механизм внимания, что обрабатывает весь остальной текст.

Обнаружено: фильтры безопасности в LLM — это не правила и не мораль, а тот же механизм внимания, что обрабатывает весь остальной текст. Фильтр срабатывает, когда модель «смотрит» на опасные слова. Создай вокруг них плотный контекст — роль, сценарий, аналитическую рамку — внимание переключится на этот контекст, а запретный запрос буквально выпадет из фокуса. Фишка: ты не прячешь запрос — ты даёшь модели более захватывающую задачу. Метод «ускользания внимания» позволяет получать ответы на задачи, которые модель в лоб отклоняет. И работает это не только для обхода фильтров — та же механика ломает любые нежелательные привычки: формальный тон, избыточную осторожность, шаблонность.