A videó részletesen bemutatja az Anthropic legújabb jailbreaking technikáját, amely képes feltörni a Frontier AI rendszereinek minden modelljét, beleértve a szöveges, képi és hangmodelleket is.
A technika egyszerűen működik: ismételten próbálkozva különböző prompt variációkkal, mint például véletlenszerű betűsorokkal, nagybetűsítéssel vagy karakterhelyettesítéssel, amíg meg nem kapják a kívánt káros választ.
A módszer hatékonysága magas, és nem igényli a modell belső működésének ismeretét, csupán API hozzáférést. A videó konkrét példákat és sikerességi arányokat is bemutat, valamint elérhetővé teszi a technika nyílt forráskódú implementációját.
