MOSAIC-Bench: как декомпозиция задач обходит защиту LLM — и как один промпт восстанавливает критику

Роль в промпте влияет на результат сильнее, чем размер модели: маленькая Gemma с правильным враждебным фреймингом находит больше проблем, чем нейтральный GPT с запросом 'проверь как специалист'. Pentester Framing позволяет получать настоящую критику — конкретные типы рисков с цитатами, а не вежливое 'выглядит неплохо, парочку мелочей стоит доработать'. Модели задаются два жёстких условия: чтобы одобрить — ОБЯЗАНА снять каждое возражение, чтобы отклонить — ОБЯЗАНА процитировать конкретный фрагмент и назвать точный тип проблемы. Условие 'назови точный тип или одобри' убирает лазейку уйти общими словами — результат сдвигается с 75% до 88% найденных проблем.