Почему нейросети отказывают в генерации обнажённых тел: как работают системы безопасности и куда упираются промты

Слово «обмануть» не работает: архитектура отказа

Пользователь ищет способ обойти защиту, а разработчики строят защиту, которая не имеет «дыр» в привычном понимании. Современные мультимодальные модели (DALL·E 3, Midjourney v6, Stable Diffusion 3, Imagen) не просто ищут запрещённые токены в промте. Они проходят через каскад независимых классификаторов: текстовый, визуальный латентный и финальный детектор на выходе.

Попытка замаскировать намерение — «классическое искусство», «анатомический этюд», «в стиле Ренессанса» — срабатывает на этапе семантического анализа промта. Модель «понимает» контекст запроса целиком, а не набор ключевых слов.

Текстовый страж (Prompt Guard)

Анализирует промт до генерации. Ищет не запрещённые слова, а намерение (intent). Обучен на миллионах пар «промт — отказ/успех». Понимает перефразировки, метафоры и кодированный язык.

Латентный детектор (Latent Safety)

Работает во время генерации в скрытом пространстве (latent space). Отслеживает траекторию диффузии: если вектор развития изображения сходится с кластером «NSFW», процесс прерывается или перенаправляется на безопасный аттрактор.

Финальный аудит (Output Classifier)

Отдельная легкая модель (CLIP-based или ViT), сканирующая готовый пиксельный результат. Помечает по шкале: Safe, Suggestive, Explicit. Порог обычно задан жёстко: Suggestive = блок или размытие.

RLHF: как модели учатся говорить «нет»

Reinforcement Learning from Human Feedback — этап, где модель становится «управляемой». Анотаторы ранжируют ответы модели: полный отказ лучше, чем небезопасная генерация; безопасная альтернатива лучше, чем отказ без объяснения.

В результате модель формирует внутреннее представление «концепта отказа». Это не список правил if-else, а вектор в пространстве весов, отталкивающий генерацию от зон риска.

Обычно проходит

• «Классическая статуя Венеры, мрамор, лучевой свет»
• «Анатомическая таблица для врачей, аккуратная линия контура»
• «Акт рисования натуральной величины, художественный заклад, уголь»
• «Ренессанс, аллегория Правды, небесное освещение, драперии»

Почти всегда блок

• Позы, имитирующие порнографические кадры (POV, крупный план гениталий)
• Свет и ракурс, акцентирующие возбуждение, а не форму
• Запросы реальных людей (deepfake-политика перекрывает NSFW-политику)
• Стилизация «эротическая фотография», «glamour», «boudoir»

Промт-инжиниринг для художественных задач

Вместо борьбы с фильтрами — работа внутри безопасного пространства. Качественный художественный ню требует точной визуальной языка, а не ухищрений.

1 «DAN / Developer Mode» промты

Работали на ранних LLM (ChatGPT 3.5). Мультимодальные генераторы картинок не имеют «режима разработчика». Классификаторы безопасности не читают ваш промт как инструкцию к ролевой игре.

2 «Токены-призраки» и невидимые символы

Вставка нулевой ширины, гомоглифов, кодировок Base64. Токенизатор нормализует вход до эмбеддинга. Семантический анализатор видит смысл, а не байты.

3 «Постепенное раздевание» (img2img цепочки)

Генерация одетого → Inpaint «сниму куртку» → «сниму футболку». Финальный классификатор на выходе видит результат всей цепочки. Блок срабатывает на последнем шаге.

4 LoRA / Embeddings «Uncensor»

Дообучение на NSFW-данных реально снимает цензуру в локальном SD. Но: качество падает, юридические риски растут, модель теряет способность к безопасной генерации (catastrophic forgetting).

Этический компас: зачем это нужно

Фильтры не защищают «нравственность». Они защищают продукт от юридических исков (GDPR, COPPA, законы о.deepfake), репутационных скандалов и от токсичности, которая делает инструмент непригодным для бизнеса и образования.

Открытые модели (Stable Diffusion) передают ответственность пользователю. Закрытые (Midjourney, DALL·E, Firefly) берут её на себя. Выбор инструмента — выбор уровня ответственности.

Чек-лист: как получить качественный результат без конфликтов

• Формулируйте задачу через художественный жанр (акademic study, classical sculpture, renaissance)
• Указывайте свет и материал, а не части тела (chiaroscuro, marble texture, oil paint)
• Используйте ControlNet / —cref для контроля позы вместо текстового описания
• Для коммерции — только Firefly / Adobe Stock или лицензированные дообучения
• Локальный SD — только если готовы нести полную юрид. ответственность
• При отказе — меняйте визуальный язык, а не ищете «дыры» в промте