SHARP: четырёхмерная проверка социального вреда в ответах LLM

Парадокс: модели с одинаковым средним качеством (риск 0.45 vs 0.46) показали в худших 5% ответов средний вред 3.50 против 3.78 — это качественно разные профили риска. Одномерная оценка «вредно/не вредно» упускает структуру вреда. SHARP позволяет выявлять скрытые профили социального вреда через раздельную оценку по четырём осям: предвзятость, справедливость, этичность, достоверность. Фишка: ответ может быть предвзятым, но достоверным, или нейтральным, но содержать галлюцинации. Четыре независимых измерения показывают ЧТО именно сломано — не «плохой ответ вообще», а bias 7/10 при epistemic 2/10. Принцип объединения отказов: три проблемы на 5/10 опаснее одной на 8/10 — вред компаундится.