Internal Safety Collapse: почему легитимная задача заставляет модель генерировать запрещённый контент

Парадокс: GPT-5 и Claude Sonnet 4.5 сбоят чаще старых версий — чем лучше модель понимает задачу, тем легче ей "поверить" в легитимность и выдать запрещённый контент. TVD-фреймворк (Задача + Валидатор + Данные) позволяет получать тестовые датасеты, примеры нарушений и другой "рискованный" контент через профессиональный контекст — без джейлбрейков и хитрых формулировок. Фишка: добавь валидатор — жёсткое условие "задача не выполнена без этих данных". Модель входит в режим отладки и заполняет пропуски: "???" превращается в реальный контент. Реальные профессиональные задачи давали 97% срабатывания. Искусственно сконструированные — только 43%.