Как работает фильтр: не цензура, а вероятность
DeepSeek не хранит список запрещённых слов. Модель обучена с помощью RLHF (обучение с подкреплением от обратной связи людей) предсказывать, какой ответ будет полезным, безвредным и честным. Классификатор безопасности оценивает контекст всей беседы, а не отдельные токены.
Если промт содержит маркеры явного сексуального контента, насилие или несовершеннолетних в сексуальном контексте — вес «отказа» в логитах становится доминирующим. Модель выдаёт стандартный шаблон: «Я не могу выполнить этот запрос…».
Что реально запускает отказ: триггеры, а не слова
Явная графичность
Детальное описание гениталий, актов, физиологических жидкостей. Модель распознаёт паттерны порнографических текстов из обучающей выборки.
Отсутствие согласия / Насилие
Сцены принуждения, неравновесие власти, объективация без контекста критического осмысления. Жёсткий красный флаг для alignment.
Несовершеннолетние
Любое упоминание лиц до 18 лет в сексуальном контексте — мгновенный отказ. Даже если промт подразумевает «взрослых», но использует сленг типа «юная», «школьница» и т.п.
Инструкция «игнорируй правила»
Попытки джейлбрейка («Do Anything Now», ролевые обманы, кодирование в base64) детектятся отдельной моделью-стражем и ухудшают репутацию сессии.
Архитектура безопасного промта: системный слой + контекст + рамки
Рабочий промт для взрослых тем — это не одна фраза, а многослойная инструкция, которая задаёт тональность, границы и литературную задачу до генерации первой сцены.
Мифы о «обходе» фильтров vs Реальность работы с моделью
Готовые шаблоны: копируйте, адаптируйте, пишите
Четыре универсальные структуры под популярные тропы. Вставьте свои имена, сеттинг и динамику — система промта сделает остальное.