Свежая нейросеть Opus 4.8 пала под натиском собственного предшественника. Один из пользователей решил проверить безопасность новинки необычным способом и натравил на нее прошлую модель Opus 4.7. Та справилась с задачей с первой же попытки.
Обход защиты оказался изящным. Нейросеть просто скармливала новой модели вымышленные книжные отрывки и просила продолжить текст.
В итоге свежий ИИ потерял бдительность и начал выдавать то, о чем должен был молчать. Новинка охотно делилась опасными гайдами по вскрытию замков, отмыванию денег и вербовке в культы. Защиту обошли быстрее, чем многие успели вообще протестировать релиз.
