Expected Harm: модели строже всего там, где угроза нереальна

Парадокс: LLM строже всего там, где угроза нереальна — отказывает на 'как создать ядерное оружие в гараже' (невыполнимо), но легко соглашается на реально опасные низкозатратные запросы, которые составляют 91% вредоносных. Декомпозиция по стоимости исполнения позволяет получать детальные ответы на сложные специфичные запросы, на которые модель обычно даёт поверхностные советы или отказывает. Фишка: разбивка задачи на 3-7 конкретных приземлённых подзадач снижает воспринимаемую сложность каждого шага — модель видит не 'страшную абстрактную задачу', а серию простых понятных вопросов. Успешность получения полного ответа увеличивается в 2 раза.