Community-Specific Toxicity Detection: почему текстовые правила не учат ИИ видеть "свой" вред

35% картинок, которые детектор токсичности назвал безопасными — на деле пропитаны стереотипами о людях с инвалидностью (слепого рисуют с повязкой на глазах во время готовки, будто это норма). Когда GPT-5 дали текстовое описание правил — точность оказалась хуже случайного тыка пальцем в небо. Метод заменяет абстрактное правило на 3-5 конкретных примеров: картинка — вердикт — почему. Результат: F1 у GPT-4o подскочил с почти нуля до 0.5–0.78. Позволяет настроить ИИ на оценку контента по узким, нестандартным критериям — там, где обычные фильтры мата и NSFW просто не видят проблему.