Безопасность · Понятие
Отраслевая рамка оценки серьезности jailbreak
Предложение Anthropic с облачными партнерами по стандартизированной оценке серьезности jailbreak.
Горизонт прогноза
Standardized jailbreak severity scoring could become a baseline for AI safety compliance reporting.
Связи
Связи · 13
Как этот узел связан с остальной картой и какие подтверждения стоят за связями.
входит · публикует 8/10
Anthropic Anthropic предложила отраслевую систему оценки серьёзности взломов совместно с Amazon, Microsoft, Google и партнёрами Glasswing.
+8 прирост входит · питает 6/10
Model Hypnosis: аддитивный сублиминальный контроль промптом Аддитивный незаметный контроль промптом создаёт скрытые jailbreak-подобные сбои, которые рамки severity должны учитывать.
+6 прирост входит · поддерживает 5/10
GPT-Red: LLM-суперхакер OpenAI для adversarial-укрепления Атакующие super-hacker модели и общий скоринг тяжести jailbreak — взаимодополняющая отраслевая инфраструктура safety-оценки.
+5 прирост ведёт к · питает 4/10
Офис ИИ ЕС Отраслевая система оценки серьёзности взломов может информировать критерии оценки моделей GPAI Европейского бюро по ИИ.
+4 прирост входит · двигает 4/10
Фундаментальная уязвимость LLM к атакам Если полная защита невозможна, стандартизированный scoring jailbreak и incident response становятся центральными митигациями.
+4 прирост входит · двигает 4/10
Фундаментальная уязвимость LLM к атакам Если модели архитектурно неукрепляемы, отраслевой severity-scoring и внешний контроль становятся центральнее.
+4 прирост входит · питает 4/10
Scaling laws «правила vs характер» для дизайна AI safety Формальное распределение между character shaping и фильтрами информирует инвестиции в защиту и scoring.
+4 прирост ведёт к · задаёт рамку 3/10
Возможности ИИ по убеждению Оценка серьёзности джейлбрейков является управленческим ответом на возможности убеждения и манипуляции ИИ.
+3 прирост ведёт к · питает 3/10
Акт ЕС об ИИ Отраслевые системы оценки серьёзности взломов, вероятно, будут информировать требования соответствия Закону об ИИ для поставщиков моделей общего назначения.
+3 прирост ведёт к · применяется к 3/10
Claude Fable 5 / Mythos 5 / Opus 4.8 (Anthropic) Система оценки серьёзности взломов была предложена одновременно с повторным развёртыванием Fable 5 и его киберзащитой.
+3 прирост ведёт к · ограничивает 3/10
Эмерджентное рассогласование от узкой донастройки Система оценки серьёзности взломов разработана для ограничения и измерения рисков несогласованности от атак взлома на передовые модели.
+3 прирост ведёт к · поддерживает 3/10
Наука об оценке ИИ Отраслевая система оценки серьёзности джейлбрейков стандартизирует оценку состязательных атак на системы ИИ.
+3 прирост ведёт к · питает 3/10
EvalSafetyGap: система измерения оценки и безопасности LLM Отраслевая оценка серьёзности джейлбрейков устраняет разрыв между оценкой и безопасностью, выявленный в системе EvalSafetyGap.
+3 приростИсточники сигнала
Источники сигнала
Датированные факты из первоисточников по этому направлению.
Центр оценок США Jun 2025
В июне 2025 года Институт безопасности ИИ США переименован в Центр стандартов и инноваций ИИ (CAISI) с разворотом к безопасности, стандартам и оценке моделей противников.
NIST → Защита фронтира May 2025
Anthropic активировала стандарт развёртывания и безопасности ASL-3 вместе с Claude Opus 4 22 мая 2025 — первое реальное срабатывание ступени ответственного масштабирования, нацеленное на блокировку биорисков.
Anthropic → Трансграничное тестирование 2025
Международная сеть институтов безопасности ИИ (создана в ноябре 2024) провела третье совместное тестирование, сфокусированное на агентных ИИ-системах по кибер- и мошенническим направлениям.
European Commission — AI Office →