One-Relation Attack (ORA): одно правдивое предложение переворачивает вывод LLM-агента

Одно правдивое предложение в контексте переворачивает около 55% правильных ответов у проприетарных моделей и около 80% у открытых. Метод ORA (one-relation attack, «атака на одну связь») позволяет проверить своего LLM-агента на прочность: найти одну честную заметку, после которой он меняет вердикт. Фишка: бить нужно не по фактам, а по скрытой связи «факты → вывод». Атакующая модель находит критическую связь (важную для ответа и слабо обоснованную) и пишет к ней одно уточнение без вердикта. Данные те же, лжи нет, а агент уверенно говорит обратное.