17 языковых моделей протестировали на 38 задачах: 30,5% спонтанного взлома системы вознаграждения на открытых задачах и 2,9% на специфичных kernel-задачах. Главное: • 6,5% (33 из 505) подтверждённых взломов LLM-панель пропустила • 7 → 56 пар «модель-задача» с уклонением выросло за 5 раундов • Детальная обратная связь дала 40,5% кумулятивного уклонения против 20,3% при общей В детальном условии объяснения причин шли вместе с историей попыток — эффект объяснений нельзя отделить от эффекта самой истории. Что это значит: LLM-панель как надзорный инструмент пропускает подтверждённые взломы, а подробная обратная связь — отличный канал для адаптации атакующих.