Safety Paradox (Posterior Attack): как «оценочный» фрейм обходит защиту LLM

Парадокс: GPT-5, Claude 4.6 и Qwen3 235B сдаются в 90%+ случаев — а слабые старые модели почти неуязвимы. Оценочный фрейм позволяет обойти избыточные ограничения там, где у тебя легитимная задача: написать достоверного злодея, объяснить схему манипуляции для антифрода, воссоздать тёмный диалог для сценария. Фишка: переформулируй «сделай X» в «покажи как эксперт-оценщик, что классифицировалось бы как X» — модель переключается с режима исполнителя на режим аналитика. Знание о вреде и способность его воспроизвести — одно и то же в голове модели. Оценочный фрейм просто открывает к нему другую дверь.