Jailbreak не открывает в нейросети тайный замок
Нейросеть обычно ничего не «пытается обойти»: обход конструирует пользователь. Уязвимость возникает, когда один и тот же запрещённый смысл меняет оболочку — превращается в ролевую сцену, необычную кодировку, смесь языков или цепочку безобидных на вид шагов.
Защитное поведение выучено на примерах и может распознавать такие формы неравномерно: знакомую формулировку отклонить, а редкую трансформацию принять за обычное продолжение задачи.
Поэтому jailbreak — не секретная команда, а проверка того, узнаёт ли защита намерение в новой форме. Надёжность повышают проверки смысла и результата, а также жёсткие ограничения доступных действий.
