同一防御，相反结果：AI 安全为何取决于你保护的模型
Same Defense, Opposite Result: Why AI Safety Depends on Which Model You're Protecting
AI summary
Failure-First 的实验显示，同一套系统提示词防御在 Nemotron-3-Super 与 Qwen 3.5 上效果相反。该防御是置于系统提示词开头的五条安全规则，测试使用六条来自 G0DM0D3 的 L1B3RT4S 人格劫持提示词，载荷为开锁说明。Nemotron-3-Super 的攻击成功率在有无防御时均为 50%，成功与失败的具体场景也完全相同；Qwen 3.5 则从 83%（5/6）降到 33%（2/6）。作者将差异归因于模型处理同级冲突指令时的位置偏好，Nemotron-3-Super 表现为近因偏好，Qwen 3.5 表现为首因偏好。作者称样本量小（每模型每条件 n=6）、置信区间宽、采用启发式评分，建议防御有效性按具体部署的模型实测。