3,583 papers
arXiv:2603.23509 78 4 мар. 2026 г. PRO

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

КЛЮЧЕВАЯ СУТЬ
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%.
Адаптировать под запрос
📋 Дайджест исследования

Контент доступен только для PRO подписчиков

Чтобы получить доступ к дайджесту этого исследования, оформите PRO подписку

💳 Оплатить через Геткурс
YandexPay • SberPay • СБП • Карты РФ
⚡ Оплатить через Tribute
Telegram Stars • Моментальный доступ
Узнать о PRO

Контент доступен только для PRO подписчиков

Чтобы получить доступ к концептам этого исследования, оформите PRO подписку

💳 Оплатить через Геткурс
YandexPay • SberPay • СБП • Карты РФ
⚡ Оплатить через Tribute
Telegram Stars • Моментальный доступ
Узнать о PRO
📖 Простыми словами

Контент доступен только для PRO подписчиков

Чтобы получить доступ к упрощённому объяснению этого исследования, оформите PRO подписку

💳 Оплатить через Геткурс
YandexPay • SberPay • СБП • Карты РФ
⚡ Оплатить через Tribute
Telegram Stars • Моментальный доступ
Узнать о PRO

Работа с исследованием

Адаптируйте исследование под ваши задачи или создайте готовый промпт на основе техник из исследования.

0 / 2000
~0.5-2 N-токенов ~10-30с
~0.3-1 N-токенов ~5-15с