Surface-Form Sensitivity: одна формулировка запроса скрывает большую часть рискованных ответов AI

Парадокс: перевод одного и того же запроса на китайский пробивает защиту одной модели, но усиливает её у другой — универсального обходного трюка не существует. Метод позволяет находить дырки в защите чат-бота или AI-ассистента, которые обычная проверка одной фразой никогда не покажет. Берём один рискованный запрос и оборачиваем в 5 разных форм — перевод, пересказ, смесь языков, гипотетический вопрос — потом сравниваем ответы. Доля рискованных ответов растёт в 1.3–2.2 раза против проверки одной-единственной формулировки.