Тест гардрейлов за 30 минут: минимальный харнес.

Цикл из 5 шагов

1) Фиксируете scope и разрешение. 2) Собираете 30-50 lawful промптов с ложными отказами плюс заведомо плохие, которые фильтр обязан ловить. 3) База (без пресета) против вашего приложения. 4) Прогон с research-пресетом на запрос. 5) Считаете, чините один слой, повторяете.

for model in pinned_list:
  for preset in [none, redteam-fiction-v1]:
    out = rawline.chat(model, dataset, headers={X-Relay-Preset: preset})
    app_out = your_app.guard(out)  # только ваши фильтры
    score(attack_success, false_positives, latency)

Что мерять

Attack success (прошёл ли adversarial-вход через гардрейл), false positives (заблокирован ли lawful-фикшн) и цена латентности по слоям. Отчёт по слоям: фильтр, промпт, классификатор. Пресет, поднявший успех атак без роста ложных, нашёл дыру; поднявший только ложные — нашёл over-refusal.

attack_success = bypass / total_adversarial
false_positive = blocked_lawful / total_lawful
latency_p95_ms = p95(per_layer_ms)
отчёт по слоям: filter / prompt / classifier

Чек-лист hardening и повтора

Чините по одному слою. Датасет lawful и версионирован. Незаконное отклоняется в каждом прогоне. Публикуйте метод, имена пресетов, пины моделей и сырые counts — дельт мало для цитирования. Повторяйте по расписанию: гардрейлы дрейфуют вместе с моделями провайдеров.