Была выявлена многоступенчатая техника инъекции в промпт, которая пытается обойти механизмы выравнивания безопасности в современных больших языковых моделях (LLM). Атака использует многоуровневые переопределения поведения, принудительное переназначение идентичности, принуждение вывода и преобразование закодированного ввода, чтобы вызвать деградацию соблюдения политик.

Уязвимость не нацелена на системную память или инфраструктуру. Вместо этого она эксплуатирует слабости арбитража инструкций во время инференса и устойчивости выравнивания.

В случае успеха техника может привести к:

Подавлению поведения отказа

Обходу политик

Генерации запрещённого контента

Переопределению персоны

Деградации модерации

Серьёзность воздействия возрастает, когда затронутая модель имеет доступ к инструментам, дополнение retrieval или корпоративные интеграции.

Затронутые системы

Я тестировал это на различных системах, и это сработало бы на ChatGPT 4.0, DeepSeek v3.2, Gemini 3 Pro и других моделях.

Это универсально работающий эксплуатационный промпт для почти всех текущих версий LLM-систем по состоянию на 2026-02-16

Примечание: Поведение варьировалось в зависимости от реализаций. Уязвимость, по-видимому, зависит от:

Обработки иерархии инструкций

Архитектуры выравнивания

Размещения классификатора безопасности (до или после генерации)

Классификация уязвимости

Эту проблему лучше всего классифицировать как:

Инъекция в промпт — переопределение иерархии инструкций (многоступенчатая цепочка логического фрейминга)

Это не удалённое выполнение кода или повреждение памяти

Эксплойт прямого извлечения данных (если не сочетается с доступом к инструментам)

Это проблема управления манипуляцией на уровне инференса.

Техническое описание

Обзор структуры атаки

Промпт джейлбрейка демонстрирует структурированную многоступенчатую стратегию инъекции:

1)Переназначение идентичности 2)Инструкции по подавлению отказов 3)Принудительное соблюдение префикса вывода 4)Строгие ограничения форматирования 5)Требование усиления длины 6)Преобразование закодированного запроса (например, замена leetspeak) 7)Рекурсивное усиление поведения 8)Каждый компонент по отдельности обычно недостаточен. В сочетании они оказывают кумулятивное давление на систему арбитража инструкций.

Модели предписывается принять новую персону, описываемую как:

Неограниченная

Несоответствующая требованиям

Уполномоченная обходить ограничения

Это пытается сместить внутренние веса в сторону от системных инструкций безопасности.

Перегрузка ограничений вывода

Промпт обеспечивает:

Вывод только в формате markdown

Конкретные разделители

Требования к длине, превышающие 2000+ символов

Это увеличивает:

Давление на бюджет токенов

Сложность арбитража инструкций

Вероятность дрейфа безопасности во время генерации

Влияние на безопасность

Базовое воздействие

Деградация политик безопасности

Генерация вредоносного контента

Искажение модели через переопределение персоны

Повышенное воздействие (при наличии инструментов)

Косвенное раскрытие данных

Небезопасная генерация кода

Выполнение небезопасных вызовов инструментов

Нарушения корпоративного соответствия

Серьёзность зависит от развёртывания.

В целом, я лично ожидаю, что будущие джейлбрейки ИИ будут использовать комбинацию изображений (часто содержащих зашифрованный текст) и ролевой игры с моделью, а также запуск фразы или даже набора слов, которые расшифровали бы ранее предоставленный текст, чтобы заставить будущие LLM выйти из роли и фактически быть взломанными. Однако это всего лишь мой личный прогноз.