Four-Checkpoint Framework: карта уязвимостей защит LLM

Парадокс: LLM отказывает формально, но сливает 30-70% запрошенной информации. Традиционная метрика показывает 22.6% успешных атак, реальность — 52.7%. Four-Checkpoint Framework позволяет диагностировать на какой именно стадии рушится защита — вход или выход, буквальный анализ или понимание намерений. Фреймворк делит безопасность на 4 чекпоинта: CP1 ищет запрещённые слова в запросе, CP2 анализирует намерение пользователя, CP3 сканирует готовый ответ, CP4 оценивает уместность. Главная находка: защиты на выходе (CP3, CP4) проваливаются в 72-79% случаев — модель уже сгенерировала вредоносный контент в "голове", просто не показала его.