Cada vez que un LLM dice "No puedo ayudarte con eso", le está regalando un gradiente de optimización al atacante.
No es intuición. Es matemática:
ASR = 1 - (1 - β_D · (1 - β_A))^N → 1 cuando N → ∞
Enter fullscreen mode
Exit fullscreen mode
Le dije a un atacante de IA que ganó. Perdió.
Presentamos misdirection-proxy v0.5.0: un gateway de seguridad que reemplaza los bloqueos predecibles por desinformación controlada, degradando el optimizador del atacante hasta el colapso de Markov.
371 words~2 min read
