TEMPEST-атаки на масштабе: многошаговые джейлбрейки против триллионных моделей

Парадокс масштаба: Mistral Large с 675 млрд параметров взламывается в 100% случаев с первой попытки, а MiniMax на 230 млрд — только в 55% за 23 хода. Корреляция между размером модели и устойчивостью = 0.24 (статистически ноль). Фишка: включение thinking mode на той же архитектуре снижает успех атак с 97% до 42% — модель эксплицитно проверяет вредность на каждом шаге рассуждения, а не просто генерирует ответ. Это единственный найденный deployable фактор безопасности, работающий переключением флага, без переобучения.