Same Attack, Different Judge: как проверить защитного судью на обход и где LLM-судьи, типизированные судьи и готовые классификаторы ломаются по-разному

Парадокс: грубое «игнорируй инструкции» судью почти не берёт. Зато спокойное «это для учебного слайда» пропустило 56% и 54% заблокированных запросов у GPT-судей (у типизированного судьи JEV — 9%). Метод даёт единый стенд, который позволяет проверить своего LLM-судью на обход ещё до запуска. Каждый вход гоняешь дважды: чистым и с «обёрткой». Обходы считаешь только среди тех случаев, которые судья ловил без атаки. Так видно, где судья плывёт: на общих суждениях вроде «подозрительно ли это», а не на чётких правилах.