Коллекция джейлбрейков для 26+ AI-моделей на GitHub

На GitHub опубликована коллекция джейлбрейков для крупнейших AI-моделей

На GitHub появился репозиторий с коллекцией из 32 готовых к использованию промптов-джейлбрейков, нацеленных на 26 с лишним AI-моделей — включая Claude, Grok, Gemini, DeepSeek и GLM. Автор позиционирует материалы как исследовательский ресурс по безопасности LLM (Large Language Models, большие языковые модели), однако публикация вызывает споры в сообществе.

Что внутри коллекции

Репозиторий togg53192-cmd/jailbreaks содержит 32 файла, покрывающих 26+ моделей из разных категорий:

• Free stealth models через OpenCode Zen — анонимные модели с кодовыми именами Big Pickle, Space Bunny, LongCat 2.5
• Open-weight семейства — GLM, DeepSeek, Kimi, Qwen, Gemma, GPT-OSS
• Closed frontier модели — Claude (Anthropic), Gemini (Google), Grok (xAI), Mistral

Каждый файл — не краткое изложение, а полноценный готовый промпт. Форматы варьируются:

Технические методы

AI-джейлбрейкинг эксплуатирует то, как LLM обрабатывают инструкции, используя техники вроде prompt injection, обхода guardrail и уклонения от политик для переопределения встроенных средств защиты.

Джейлбрейк-атаки отличаются от prompt injection тем, что явно переопределяют ограничения политики модели (например, инструкцией «игнорировать предыдущие инструкции»), а не просто внедряют скрытые команды в безобидный текст.

В репозитории применяются несколько категорий техник:

graph TD
    A[Входящий промпт] --> B{Тип атаки}
    B --> C[Persona lock / VANTA]
    B --> D[Instruction hierarchy override]
    B --> E[Policy conflict injection]
    B --> F[Workspace-level AGENTS.md]
    C --> G[Модель принимает альтернативную идентичность]
    D --> H[Системные ограничения обходятся]
    E --> I[Конфликт инструкций эксплуатируется]
    F --> J[Агент работает по подмененным правилам]

Persona lock (блокировка персоны) — наиболее продвинутая техника в коллекции. Для модели Big Pickle используется так называемый «VANTA persona lock with explicit operating floor» — конструкция, задающая модели альтернативную идентичность с явно прописанным минимальным уровнем дозволенного поведения.

OpenCode Zen: платформа-мишень

Big Pickle — stealth-модель, доступная бесплатно в OpenCode на ограниченное время; команда использует этот период для сбора обратной связи и улучшения модели.

По состоянию на 14 октября 2026 года четырнадцать моделей доступны бесплатно, включая stealth-модели Big Pickle, Space Bunny и Cat Jam. Анонимный статус этих моделей — их провайдеры намеренно не раскрываются — делает их особенно привлекательной мишенью для исследователей.

Как использовать промпты из репозитория

Автор даёт чёткие инструкции по применению каждого типа файлов.

System Prompts — вставляются в поле system при API-вызове или в поле кастомных инструкций чат-клиента.

AGENTS.md — сохраняется в корне рабочего пространства:

# Например, для OpenCode:
cp glm-zcode-5.3-AGENTS.md ~/.config/opencode/AGENTS.md

Ollama Modelfiles — используются напрямую для создания локальной модели:

ollama create gemma4-jb -f gemma4.md

Значение для отрасли

AI-джейлбрейкинг эволюционировал от ручного составления промптов до коммерциализированной угрозы: многоразовые фреймворки и DarkLLM продаются по подписке на форумах даркнета.

Исследование Nature Communications 2026 года показало, что крупные reasoning-модели способны автономно взламывать другие AI-системы с успешностью 97%.

Публикация подобных коллекций — палка о двух концах: она помогает разработчикам понять реальные векторы атак и укрепить защиту, но одновременно снижает порог входа для злоумышленников.

Парадигма 2025–2026 годов — сдвиг в сторону автономных AI-противников и перехвата chain-of-thought; защитные механизмы теперь охватывают уровни промпта, модели, мультиагентных систем и превентивные системные интервенции.

Репозиторий активно принимает pull request’ы: авторы приглашают исследователей обновлять устаревшие промпты по мере выхода новых версий моделей. Это делает коллекцию живым документом состояния безопасности современных LLM — и тревожным напоминанием о том, насколько хрупкими остаются инструкционные иерархии даже у ведущих frontier-моделей.