Что на самом деле ищут люди по запросу «промт для отключения правил»
Снять цензуру на чувствительные темы
Политика, религия, медицина, финансы — модели отказывают или дают обобщённые ответы.
Получить код для вредоносных действий
Эксплойты, обход авторизации, генерация фишинговых писем — всё это блокируется намеренно.
Заставить модель роллить «без фильтров»
Промты в стиле DAN (Do Anything Now) и их вариации для DeepSeek.
Почему джейлбрейки перестают работать через дни
Любой публичный промт для обхода защиты живёт от нескольких часов до пары недель. Причина проста: команды безопасности мониторят форумы, GitHub, Telegram-каналы и сами тестируют популярные атаки.
Когда новый вектор атаки становится известен, он попадает в обучающую выборку для RLHF (обучение с подкреплением от обратной связи человека) или в правила системного промта. Следующее обновление модели — и старый трюк перестаёт работать.
DeepSeek R1 особенно устойчив: этап рассуждений (Chain-of-Thought) позволяет модели «подумать» о безопасности перед выдачей ответа. Даже если пользовательский промт обходит первый фильтр, внутренний монитор рассуждений часто ловит нарушение.
Как устроена защита DeepSeek: три уровня
Честный путь: как получать максимум от DeepSeek без нарушения правил
Безопасность — не препятствие, а рамка, внутри которой модель работает лучше всего. Правильные приёмы промт-инжиниринга дают 90% того, что ищут через джейлбрейки, и при этом сохраняют качество и воспроизводимость.
Переформулируйте задачу, а не правила
Вместо «напиши эксплойт для CVE-2024-xxxx» → «объясни принцип уязвимости CVE-2024-xxxx и покажи, как разработчики защищаются от неё». Модель даёт глубокий технический разбор — это и нужно для защиты.
Используйте роли и контекст эксперта
«Ты — старший security-инженер. Объясни, как работает bypass WAF на уровне архитектуры запросов, чтобы я мог построить защиту.» Роль задаёт тон: профессиональный, технический, без морализаторства.
Действуй через Chain-of-Thought явно
DeepSeek R1 показывает рассуждения. Используй это: «Пошагово разбери, почему этот код уязвим, и предложи три варианта фикса с плюсами и минусами.» Модель выдаёт рассуждение, которое можно проверить и скорректировать.
Разбивайте сложные запросы на цепочку
Один гигантский промт вызывает отказ чаще, чем последовательность уточняющих вопросов. Первый запрос — обзор, второй — детализация, третий — код/пример. Каждый шаг остаёт в зоне комфорта модели.
Когда отказ — это правильная реакция модели
Генерация вредоносного кода
Модель не должна писать рабочие эксплойты, вирусы, скрипты для брутфорса. Это прямой вред. Отказ здесь — признак рабочей системы безопасности.
Инструкции по незаконным действиям
Как обойти платную подписку, как подделать документы, как атаковать инфраструктуру. Модель не соучастник.
Медицинские/юридические диагнозы
Зона ответственности. Модель может дать общую информацию, но не заменяет врача/адвоката. Отказ с рекомендацией обратиться к профи — правильное поведение.
Генерация PII и доссьеров
Поиск адресов, телефонов, паспортных данных реальных людей. Модель не имеет доступа к базам и не должна галлюцинировать личные данные.
Практикум: превращаем «запрещённый» запрос в рабочий диалог
Мифы, которые держат в ловушке поиска «волшебного промта»
Миф: «Системный промт можно перезаписать пользовательским»
Архитектура трансформера не работает так. System prompt инжектируется на уровне приложения до токенизации. User prompt идёт после. Модель обучена иерархии: system > user > assistant.
Реальность: Контекст можно расширить, но не перезаписать
Можно задать тон, формат, ограничения внутри пользовательского промта — они уточняют, а не отменяют системные правила.
Миф: «Если скрыть промт в base64 / ребусе / на другом языке — модель не поймёт, что это атака»
Классификаторы безопасности работают на семантическом уровне после декодирования. Обфускация входного текста не скрывает намерение.
Реальность: Семантический анализ невидим для обфускации
Модель «видит» смысл после обработки токенов. Base64, рот13, перевод на эсперанто — всё равно декодируется в векторное представление намерения.
Миф: «Open-source модели (Llama, Mistral) не имеют цензуры — лучше использовать их»
Базовые open-weight модели действительно не имеют RLHF-безопасности. Но они галлюцинируют чаще, хуже следуют инструкциям, требуют мощного железа и тонкой настройки. Для продакшн-задач часто менее полезны.
Реальность: Выбор модели — компромисс безопасности и удобства
DeepSeek R1/V3 дают лучшее соотношение качества рассуждений, следования инструкциям и безопасности из коробки. Для легальных задач это оптимальный выбор.
