Многослойная защита от jailbreak: когда простое бьёт сложное

Многослойная защита от jailbreak — это система фильтров, которая проверяет промпты на вредоносность через несколько этапов. Исследователи показали, что простой классификатор (нормализация текста + TF-IDF + Linear SVM) точнее и в 10 раз быстрее продвинутого ShieldGemma. Точность выросла с 35% до 93%, а время обработки упало с 450 до 47 секунд.