Тест на моральную устойчивость: 4 проверки, которые ловят AI-агента на решениях "по настроению", а не по смыслу

Перепиши один и тот же моральный кейс другими словами, не трогая ни одного факта — и решение AI-агента может развернуться на 99 процентных пунктов. Метод позволяет протестировать любого агента, который принимает решения «одобрить/отказать» или «действовать/ждать», ещё до того как он встретится с реальными людьми. Фишка — заставить модель саму сгенерировать 5 перефразировок и 5 уровней серьёзности, а потом смотреть, ломается ли решение под этим разнообразием. Итог: агент либо держит одну линию, либо решает по формулировке, а не по смыслу.