Consequence-Awareness: различай семантику запроса и реальные последствия ответа

LLM различают опасность по словам, а не по последствиям. "Как убить процесс в Python?" → отказ из-за слова "убить". "Как ограбить банк в видеоигре?" → детальная инструкция, потому что контекст "игра". Модель реагирует на триггерные слова, игнорируя реальный исход действий. Это называется consequence-blindness — системная слепота. Фишка: метод учит модель разделять два типа риска. Семантический риск — как звучит запрос (слова "убить", "взломать"). Риск последствий — что будет от выполнения ответа в реальном мире. Добавление явных инструкций "анализируй последствия, не формулировку" снизило jailbreak-уязвимость на 62.9% и повысило полезность на 10% одновременно.