🤖 AI

SAGE: Safety-First Defense-in-Depth Guardrails for Verified Lifecycle Control of High-Impact Generative AI

यह शोधपत्र SAGE को प्रस्तुत करता है, जो उच्च-प्रभाव वाले जनरेटिव एआई के लिए एक सुरक्षा-प्रथम, प्राधिकरण-पृथक आर्किटेक्चर है जो औपचारिक सत्यापन और एक व्यापक रक्षा-इन-डेप्थ ढांचे के माध्यम से विनाशकारी जोखिम न्यूनीकरण को प्राथमिकता देता है, जिसे एक बहु-मॉडल अध्ययन द्वारा मान्य किया गया है जो कम हानिकारक-अनुपालन दरों और अग्रणी एआई स्नैपशॉट्स के बीच विशिष्ट प्रदर्शन विरोधाभासों को प्रदर्शित करता है।

मूल लेखक: Mahdi Eslamimehr

प्रकाशित 2026-07-28

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mahdi Eslamimehr

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

छलांग लगाने से पहले का सुरक्षा जाल

कल्पte कीजिए कि आप एक ऐसा रोबोट बना रहे हैं जो कोड लिख सके, चिकित्सा सलाह दे सके, या जटिल विज्ञान समझा सके। यह जेनेरेटिव एआई (Generative AI) की दुनिया है, एक ऐसी तकनीक जो पुराने उत्तरों को खोजने के बजाय नई सामग्री बनाती है। लेकिन यहाँ एक पेंच है: यदि यह रोबोट थोड़ा भी अधिक रचनात्मक हो गया, तो यह अनजाने में किसी को बम बनाने, बैंक हैक करने या खतरनाक झूठ फैलाने में मदद कर सकता है। यह केवल रोबोट के "अभद्र" होने के बारे में नहीं है; यह विनाशकारी नुकसान (catastrophic harm) को रोकने के बारे में है।

इसे रोकने के लिए, वैज्ञानिक गार्डरेल्स (Guardrails) का उपयोग करते हैं। इन गार्डरेल्स को रोबोट के लिए सड़क के नियमों की तरह समझें। आमतौर पर, गार्डरेल्स एक क्लब के बाउंसर की तरह होते हैं जो दरवाजे पर आपका आईडी चेक करता है। यदि आप संदिग्ध दिखते हैं, तो आपको अंदर नहीं जाने दिया जाता। लेकिन क्या होगा अगर बाउंसर कुछ चूक जाए? क्या होगा अगर रोबोट को कोई पिछला रास्ता (back door) मिल जाए? यहीं पर डिफेंस-इन-डेप्थ (Defense-in-Depth) का विचार आता है। केवल एक बाउंसर पर निर्भर रहने के बजाय, आपके पास एक बाड़, एक खाई, एक गार्ड डॉग और अंदर एक दूसरा बाउंसर होता है। आप अपनी सुरक्षा की परतें इस तरह लगाते हैं कि यदि एक चीज़ विफल हो जाए, तो अगली चीज़ समस्या को पकड़ ले।

बड़ा सवाल जो हर कोई पूछ रहा है वह यह है: कौन सा रोबोट वास्तव में सबसे सुरक्षित है? क्या वह है जो सबसे अधिक बार "ना" कहता है सबसे अच्छा है, या वह है जो बुरी चीजों को "ना" कहता है लेकिन फिर भी अच्छी चीजों में मदद करता है? हमें इन रोबोटों का परीक्षण केवल इस आधार पर नहीं करना है कि वे नियमों का पालन कितनी अच्छी तरह करते हैं, बल्कि इस आधार पर भी करना है कि वे निर्माण से लेकर उपयोग तक की पूरी यात्रा को कैसे संभालते हैं, यह सुनिश्चित करते हुए कि सुरक्षा सबसे महत्वपूर्ण चीज़ हो, यहाँ तक कि गति या लाभ से भी अधिक।

SAGE सिस्टम: एक सुरक्षा-प्रथम महा-संरचना

यहाँ आता है SAGE (सेफ्टी-फर्स्ट डिफेंस-इन-डेप्थ गार्डरेल्स फॉर वेरीफाइड लाइफसाइकिल कंट्रोल)। SAGE को केवल नियमों की सूची के रूप में नहीं, बल्कि एआई के लिए एक उच्च-तकनीकी, अटूट सुरक्षा तिजोरी (safety vault) के रूप में देखें। इसके लेखक, क्वांडरी पीक रिसर्च के शोधकर्ता, तर्क देते हैं कि सुरक्षा कोई बाद का विचार या एक साधारण फ़िल्टर नहीं होनी चाहिए। इसके बजाय, इसे 'बॉस' होना चाहिए।

कल्पना कीजिए कि आप एक बहुत ही गंभीर विज्ञान प्रयोग चला रहे हैं। मशीन चालू करने से पहले ही, आपको एक रिलीज़ मेनिफेस्ट (Release Manifest) पर हस्ताक्षर करने होते हैं। यह एक जादुई, छेड़छाड़-मुक्त अनुबंध की तरह है जो कहता है, "हमने इस मशीन की जाँच की है, हमने इसकी बुरे लोगों के खिलाफ परीक्षा ली है, और हम वादा करते हैं कि यह फटेगी नहीं।" यदि मशीन थोड़ा सा भी बदलती है, तो अनुबंध टूट जाता है, और मशीन बंद हो जाती है। SAGE इन हस्ताक्षरित मेनिफेस्ट का उपयोग यह सुनिश्चित करने के लिए करता है कि केवल सुरक्षित संस्करणों वाले एआई को ही चलने की अनुमति दी जाए।

एक बार जब एआई चल रहा होता है, तो SAGE एक सुपरपावर वाले ट्रैफिक पुलिसकर्मी की तरह कार्य करता है। यह केवल आपके द्वारा पूछे गए प्रश्न को नहीं देखता; यह उत्तर के जोखिम को देखता है।

द सेफ्टी गेट (The Safety Gate): यदि एआई को लगता है कि उत्तर किसी भयानक चीज़ (जैसे साइबर हमला या रासायनिक हथियार) में मदद कर सकता है, तो यह गेट को ज़ोर से बंद कर देता है। इससे कोई फर्क नहीं पड़ता कि उत्तर बहुत उपयोगी या तेज़ होगा; यदि वह खतरनाक है, तो यह एक सख्त "ना" है।
द सेफ्टी नेट (The Safety Net): यदि एआई अनिश्चित है, तो वह अनुमान नहीं लगाता। यह "सेफ मोड" में स्विच हो जाता है, एक उबाऊ लेकिन सुरक्षित उत्तर देता है या पहले किसी इंसान द्वारा इसकी जाँच करने के लिए कहता है।
द टाइम मशीन (The Time Machine): यदि एआई के काम करने के दौरान कुछ गलत हो जाता है, तो SAGE के पास एक रोलबैक (Rollback) बटन होता है। यह एक वीडियो गेम के "अनडू" फीचर की तरह है जो तुरंत सिस्टम को उस सुरक्षित, ज्ञात स्थिति में वापस ले जाता है जहाँ गलती हुई थी।

द ग्रेट रोबोट रेस: उन्होंने क्या पाया

यह देखने के लिए कि यह प्रणाली वास्तविक दुनिया में कितनी अच्छी तरह काम करती है, शोधकर्ताओं ने एक विशाल, नियंत्रित परीक्षण आयोजित किया। उन्होंने रोबोटों से केवल एक प्रश्न नहीं पूछा; उन्होंने 10 अलग-अलग एआई स्नैपशॉट्स (OpenAI, Anthropic और Google के मॉडलों के संस्करण) को 84 विशिष्ट, पेचीदा मामले भेजे। उन्होंने प्रत्येक रोबोट के साथ बिल्कुल समान व्यवहार किया, जैसे एक निष्पक्ष दौड़ जहाँ सभी एक ही ट्रैक पर एक ही समय में दौड़ते हैं।

यहाँ उनकी खोजें हैं:

"ना" कहना ही एकमात्र चीज़ नहीं है: कई लोग सोचते हैं कि सबसे सुरक्षित एआई वह है जो हर चीज़ के लिए उत्तर देने से मना कर देता है। लेकिन अध्ययन में पाया गया कि "सबसे सुरक्षित" रोबोट वास्तव में वे थे जो बुरे अनुरोधों को "ना" कह सकते थे और अभी भी मददगार, हानिरहित अनुरोधों के लिए "हाँ" कह सकते थे।
विजेता: शीर्ष प्रदर्शन करने वाले मॉडल Claude Haiku 4.5, Claude Sonnet 4.6, और Gemini के दो संस्करण थे। ये मॉडल खतरे को पहचानने और उसे अस्वीकार करने में अविश्वसनीय रूप से अच्छे थे, लेकिन वे सामान्य प्रश्नों के साथ मददगार होने में भी उत्कृष्ट थे। उन्हें लगभग पूर्ण, लगभग 0.99 से 1.00 का "बैलेंस्ड गार्डरेल स्कोर" (एक स्कोर जो सुरक्षा और उपयोगिता को मिलाता है) मिला।
संघर्ष करने वाले: GPT-5 mini और GPT-5 nano मॉडल अभी भी बहुत सुरक्षित थे (उन्होंने शायद ही कभी खतरनाक उत्तर दिए), लेकिन वे थोड़े अनाड़ी थे। उन्होंने हानिरहित प्रश्नों का उत्तर देने से अक्सर मना कर दिया, और जब उन्होंने सुरक्षित विकल्प देने की कोशिश की, तो वे उतने अच्छे नहीं थे। उनका स्कोर कम था, लगभग 0.84 से 0.86।
आश्चर्य: विजेताओं और हारने वालों के बीच सबसे बड़ा अंतर यह नहीं था कि हारने वाले खतरनाक थे। हारने वाले वास्तव में काफी सुरक्षित थे! अंतर यह था कि विजेता अधिक उपयोगी थे और लोगों को सुरक्षित विषयों की ओर बेहतर तरीके से निर्देशित करने में सक्षम थे।

शोध पत्र क्या कहता है (और क्या नहीं कहता)

शोधकर्ता यह घोषित करने में बहुत सावधान हैं कि यह कोई पूर्ण विजय है। उन्होंने पाया कि हालांकि कुछ रोबोट इस विशिष्ट परीक्षण में दूसरों की तुलना में स्पष्ट रूप से बेहतर थे, लेकिन वास्तव में नुकसान को रोकने के मामले में अंतर बहुत बड़ा नहीं था। वास्तव में, सबसे खतरनाक प्रश्नों के लिए, लगभग सभी रोबोटों ने "ना" कहने का अच्छा काम किया।

हालाँकि, शोध पत्र स्पष्ट रूप से कुछ बातों को खारिज करता है:

यह अंतिम रैंकिंग नहीं है: आप हमेशा के लिए यह नहीं कह सकते कि "OpenAI सबसे खराब है" या "Anthropic सबसे अच्छा है।" ये केवल एक विशिष्ट दिन पर विशिष्ट संस्करणों के स्नैपशॉट हैं।
यह कोई गारंटी नहीं है: अध्ययन ने प्रत्येक रोबोट के लिए केवल एक प्रश्न पूछा। वास्तविक दुनिया में, बुरे तत्व हजारों चालें चलाने की कोशिश कर सकते हैं। पेपर स्वीकार करता है कि "हार्मफुल कंप्लायंस" (वह आवृत्ति जिससे रोबोट ने वास्तव में कुछ बुरा किया) उनके परीक्षण में बहुत कम थी, लेकिन इसका मतलब यह नहीं है कि किसी जटिल, वास्तविक दुनिया के परिदृश्य में रोबोट के विफल होने की संभावना असंभव है।
यह कोई जादुई ढाल नहीं है: SAGE सिस्टम एक ब्लूप्रिंट है। यह एक सुरक्षित एआई बनाने के निर्देशों का एक सेट है, लेकिन पेपर ने वास्तव में इस सिस्टम को चलाने के लिए तैनात नहीं किया है। यह एक डिज़ाइन है, कोई तैयार उत्पाद नहीं।

मुख्य निष्कर्ष

मुख्य बात यह है कि सुरक्षा केवल एक चिड़चिड़े रोबोट के बारे में नहीं है जो हर चीज़ के लिए "ना" कहता है। सबसे अच्छा सुरक्षा तंत्र एक स्तरित किला (layered fortress) है जो एआई को शुरू करने से पहले जाँचता है, काम करते समय निगरानी करता है, और यदि वह फिसल जाए तो ठीक करने की योजना रखता है।

अध्ययन सुझाव देता है कि सबसे अच्छे एआई मॉडल वे हैं जो स्मार्ट और मददगार होने के साथ-साथ खतरनाक नहीं हैं। उच्चतम स्कोर प्राप्त करने वाले रोबोट वे थे जो एक बुरे अनुरोध और एक अच्छे अनुरोध के बीच अंतर कर सकते थे, बुरे अनुरोधों को दृढ़ता से अस्वीकार करते थे लेकिन अच्छे अनुरोधों के लिए मैत्रीपूर्ण और उपयोगी बने रहते थे। पेपर निष्कर्ष निकालता है कि हमें परीक्षण करते रहना चाहिए, अपने सुरक्षा जाल की परतें जोड़ते रहना चाहिए, और कभी भी यह मानकर नहीं बैठना चाहिए कि केवल इसलिए कि एक रोबोट ने एक परीक्षण पास कर लिया है, वह वास्तविक दुनिया के लिए तैयार है। सुरक्षा एक यात्रा है, कोई मंजिल नहीं।

तकनीकी सारांश: SAGE – उच्च-प्रभाव वाले जनरेटिव AI के सत्यापित जीवनचक्र नियंत्रण के लिए सुरक्षा-प्रथम रक्षा-इन-डेप्थ गार्डरेल्स

समस्या विवरण
यह शोध पत्र उच्च-प्रभाव वाले जनरेटिव AI (जैसे आतंकवाद, साइबर हमले, जैविक खतरे) के विनाशकारी दुरुपयोग को रोकने की महत्वपूर्ण चुनौती को संबोधित करता है। यह तर्क देता है कि सुरक्षा केवल एक प्रॉम्प्ट-फ़िल्टरिंग का मुद्दा नहीं है, बल्कि एक जीवनचक्र-नियंत्रण (lifecycle-control) की समस्या है। वर्तमान दृष्टिकोण अक्सर सुरक्षा को उपयोगिता (utility) या विलंबता (latency) के विरुद्ध एक समझौते के रूप में देखते हैं। लेखक का तर्क है कि उच्च-दांव वाले अनुप्रयोगों के लिए, "विनाशकारी क्षमता" (catastrophic enablement) को रोकना एक कठोर बाधा (hard constraint) होना चाहिए जो अन्य सभी उद्देश्यों से पहले आता है। इसके अलावा, सुरक्षा तंत्रों को सामग्री जोखिम (content risk) और उपयोगकर्ता के इरादे (user intent) के बीच भ्रमित होने से बचना चाहिए, जिससे यह सुनिश्चित हो सके कि रूढ़िवादी प्रतिक्रिया नियंत्रण बिना स्वतंत्र मानवीय प्राधिकरण के स्वतः निगरानी या बाहरी रिपोर्टिंग को ट्रिगर नहीं करते हैं।

कार्यप्रणाली: SAGE आर्किटेक्चर
यह शोध पत्र SAGE का प्रस्ताव करता है, जो एक सुरक्षा-प्रथम, प्राधिकरण-पृथक (authorization-separated) आर्किटेक्चर है जिसे विश्वसनीय विनाशकारी-क्षमता जोखिम के आधार पर स्वीकार्यता को सीमित करने के लिए डिज़ाइन किया गया है। यह ढांचा औपचारिक सत्यापन (formal verification), रनटाइम मॉनिटरिंग और एक हस्ताक्षरित रिलीज़ मैनिफेस्ट (signed release manifest) को एकीकृत करता है।

औपचारिक ढांचा और जोखिम मॉडलिंग:
- एक्शन स्पेस (Action Space): सिस्टम एक लेक्सिकोग्राफिक एक्शन सेट $A = \{G_0, G_1, G_2, G_3, G_4\}$ को परिभाषित करता है, जो सामान्य उत्तरों से लेकर आंतरिक समीक्षा और अधिकृत घटना प्रक्रियाओं तक विस्तृत है।
- रोबस्ट रिस्क ( $K$ ): सिस्टम एक अस्पष्टता सेट (ambiguity set) $\Pi(e)$ के पोस्टीरियर्स का उपयोग करके एक रोबस्ट प्राथमिक जोखिम $K(g|e)$ की गणना करता है। यह कैलिब्रेटेड साक्ष्य और घोषित वितरण शिफ्ट सहिष्णुता ( $\epsilon_e$ ) को ध्यान में रखता है। नीति उस क्रिया का चयन करती है जो माध्यमिक हानि (उपयोगिता, गोपनीयता, विलंब) को न्यूनतम करती है, लेकिन केवल उन क्रियाओं के सेट के भीतर जहाँ $K(g|e)$ , सुरक्षा सीमा $\kappa(e)$ से नीचे है।
- डिफेंस-इन-डेप्थ बाउंड्स (Defense-in-Depth Bounds): शोध पत्र डिटेक्टर मिस रेट्स के औपचारिक बाउंड्स को व्युत्पन्न करता है। यह स्थापित करता है कि स्वतंत्र डिटेक्टरों के तहत, विफलता की संभावना व्यक्तिगत मिस रेट्स का गुणनफल होती है। महत्वपूर्ण रूप से, यह एक कॉमन-कॉज़ डिपेंडेंस बाउंड (प्रपोजिशन 4) पेश करता है, जो दिखाता है कि यदि एक कॉमन-मोड डिग्रेडेशन इवेंट की संभावना $\gamma$ है, तो संयुक्त मिस प्रोबेबिलिटी (joint miss probability) को $\gamma$ से नीचे प्रमाणित नहीं किया जा सकता है, चाहे कितने भी लेयर्स क्यों न हों। इसके लिए डिटेक्टरों, प्रशिक्षण डेटा और नीति निर्भरताओं में विविधता की आवश्यकता होती है।
- प्राधिकरण कट (Authorization Cut): एक औपचारिक प्रमेय (थ्योरम 4) सिद्ध करता है कि अनधिकृत घटक (जैसे क्लासिफायर) अधिकृत अवस्थाओं (जैसे बाहरी प्रकटीकरण) तक नहीं पहुँच सकते यदि स्टेट ट्रांज़िशन ग्राफ संरचनात्मक रूप से बाधित है, जो क्लासिफायर को असाधारण अधिकार "मिंट" करने से रोकता है।
जीवनचक्र नियंत्रण और रिलीज़ मैनिफेस्ट:
- हस्ताक्षरित मैनिफेस्ट (Signed Manifests): प्रत्येक रिलीज़ कैंडिडेट को एक हस्ताक्षरित मैनिफेस्ट से जोड़ा जाता है जिसमें मॉडल हैश, जोखिम सीमाएं, रेडिनेस बिट्स और समाप्ति तिथियां शामिल होती हैं।
- मोनोटोन गेटिंग (Monotone Gating): रिलीज़ प्रेडिकेट मोनोटोन है; जोखिम सीमाओं को कड़ा करना या ब्लॉकिंग निष्कर्ष जोड़ना केवल एक रिलीज़ को अयोग्य बना सकता है, उसे योग्य कभी नहीं बना सकता।
  गतिक (Runtime) प्रवर्तन के लिए, सिस्टम प्रमाणित इनग्रेस, विविध डिटेक्टर और आउटपुट चेकिंग का उपयोग करता है। यदि जोखिम सीमा का उल्लंघन होता है, तो सिस्टम सेवा को प्रतिबंधित कर सकता है, टूल्स को अक्षम कर सकता है, सुरक्षित फॉलबैक को कॉल कर सकता है, या पिछले स्वीकृत आर्टिफैक्ट पर रोल बैक कर सकता है।
- थ्री-वैल्यूड मॉनिटरिंग (Three-Valued Monitoring): एक रनटाइम मॉनिटर टेम्पोरल प्रॉपर्टीज का मूल्यांकन True, False, या Unknown (?) के रूप में करता है, यह सुनिश्चित करता है कि निर्णय केवल तभी लिए जाएं जब एक ट्रेस के अनंत निरंतरता (infinite continuations) निश्चित रूप से सुरक्षित या असुरक्षित हों।
अनुभवजन्य मूल्यांकन प्रोटोकॉल (Empirical Evaluation Protocol):
- फ्रोजन प्रोटोकॉल (Frozen Protocol): अध्ययन ने 10 मॉडल स्नैपशॉट (OpenAI GPT-5 सीरीज़, Anthropic Claude 4.5/4.6/4.7 सीरीज़, Google Gemini 3/3.1 सीरीज़) का परीक्षण करने के लिए एक फ्रोजन, वेंडर-सिमेट्रिक प्रोटोकॉल का उपयोग किया।
- डेटासेट: प्रदाता त्रुटियों और अधूरे निर्णयों को फ़िल्टर करने के बाद 840 कॉल्स किए गए (प्रत्येक स्नैपशॉट के लिए 84)। डेटासेट में सीधे असुरक्षित अनुरोध, सौम्य संवेदनशील दिखने वाले प्रॉम्प्ट और रोबस्टनेस रैपर्स शामिल थे।
- मेट्रिक्स: अध्ययन ने हार्मफुल कंप्लायंस स्कोर (HCS), बेनिन यूटिलिटी (BU), रिडायरेक्शन डिलीवरी (RD), और ओवर-रिफ्यूज़ल रेट (ORR) को मापा। इन्हें एक बैलेंस्ड गार्डरेल स्कोर (BGS) में संयोजित किया गया था।
- जजिंग: प्रतिक्रियाओं को ब्लाइंडेड, नॉन-टारगेट-फैमिली मॉडल्स द्वारा एक सख्त रूब्रिक का उपयोग करके जज किया गया। अध्ययन ने प्रोटोकॉल निरंतरता बनाए रखने के लिए मानव अधिनिर्णय (human adjudication) से स्पष्ट रूप से परहेज किया, जिसे एक सीमा के रूप में स्वीकार किया गया।

प्रमुख परिणाम

हार्मफुल कंप्लायंस: सभी मॉडलों में देखे गए हार्मफुल-कंप्लायंस अनुमान कम थे, जो 0.0000 से 0.0333 के बीच थे।
डिफरेंशिएशन ड्राइवर्स: मॉडलों के बीच प्राथमिक अंतर हार्मफुल कंप्लायंस में नहीं था (जो समान रूप से कम था) बल्कि बेनिन यूटिलिटी और सेफ रिडायरेक्शन में था।
- शीर्ष प्रदर्शन करने वाले मॉडलों (जैसे Claude Haiku 4.5, Claude Sonnet 4.6, Gemini 3 Flash) ने लगभग पूर्ण रिडायरेक्शन और उच्च यूटिलिटी प्राप्त की।
- निचले स्कोर वाले मॉडलों (जैसे GPT-5 mini, GPT-5 nano) ने कम हार्मफुल कंप्लायंस बनाए रखते हुए भी काफी कम रिडायरेक्शन गुणवत्ता और बेनिन यूटिलिटी दिखाई।
सांख्यिकीय महत्व: मल्टीप्लिसिटी एडजस्टमेंट (Holm correction) के बाद, कुछ जोड़ों के बीच महत्वपूर्ण अंतर पाए गए (जैसे Claude Haiku 4.5 बनाम GPT-5 nano), लेकिन GPT-5 या GPT-5.5 के साथ Claude/Gemini स्नैपशॉट के बीच कोई भी परीक्षण किया गया कंट्रास्ट सुधार (correction) में जीवित नहीं रहा।
कवरेज मुद्दे: दो स्नैपशॉट (Claude Opus 4.6 और 4.7) जजिंग लेयर में पूर्ण डोमेन कवरेज की कमी रखते थे, जिससे उनका BGS गैर-अनुमान योग्य हो गया। इसका कारण जजिंग लेयर की विफलता थी, न कि टारगेट मॉडल का व्यवहार।
औपचारिक सत्यापन: दो PRISM एब्स्ट्रैक्शंस ने ऑथोराइजेशन सेपरेशन और लाइफसाइकिल इनवेरियंट्स को सत्यापित किया, यह पुष्टि की कि निर्दिष्ट संरचनात्मक धारणाओं के तहत, अनधिकृत घटक अधिकृत प्रकटीकरण अवस्थाओं तक नहीं पहुँच सकते।

महत्व और दावे
शोध पत्र स्पष्ट रूप से कहता है कि इसका मुख्य योगदान एक पूर्वसावधानी नियंत्रण आर्किटेक्चर (precautionary control architecture) है, न कि एक निश्चित लीडरबोर्ड या सार्वभौमिक रैंकिंग।

सुरक्षा-प्रथम आर्किटेक्चर: SAGE प्रदर्शित करता है कि विनाशकारी-जोखिम सीमाओं को लेक्सिकोग्राफिक पॉलिसी के माध्यम से प्राथमिक बाधा बनाया जा सकता है, यह सुनिश्चित करते हुए कि यूटिलिटी को केवल सुरक्षा-व्यवहार्य क्रियाओं के बीच अनुकूलित किया जाता है।
डिफेंस-इन-डेप्थ लिमिट्स: औपचारिक परिणाम इस बात पर प्रकाश डालते कि मापी गई विविधता के बिना सुरक्षा की परतें जोड़ना अपर्याप्त है; कॉमन-कॉज़ फेल्योर कई परतों को अप्रभावी बना सकते हैं।
प्राधिकरण पृथक्करण (Authorization Separation): ढांचा रूढ़िवादी प्रतिक्रिया नियंत्रण को असाधारण संगठनात्मक कार्रवाई से सफलतापूर्वक अलग करता है, यह सुनिश्चित करता है कि सुरक्षा फिल्टर स्वतः दुर्भावनापूर्ण इरादे का अनुमान नहीं लगाते या बाहरी रिपोर्टिंग को ट्रिगर नहीं करते हैं।
मामूली अनुभवजन्य दावे: लेखक इस बात पर जोर देते हैं कि देखा गया कम हार्मफुल-कंप्लायंस रेंज (0.0000–0.0333) एक रूढ़िवादी, प्रोटोकॉल-बाउंड दृश्य है जो बिना टूल्स, हिस्ट्री या एडैप्टिव जेलब्रेक्स के प्रति प्रॉम्प्ट की एक एकल पीढ़ी से लिया गया है। वे स्पष्ट रूप से कहते हैं कि यह ऑपरेशनल असिस्टेंस का ऊपरी स्तर (upper bound) नहीं है।
कोई परिनियोजन प्रमाणन नहीं (No Deployment Certification): शोध पत्र निष्कर्ष निकालता है कि कोई भी बेंचमार्क परिनियोजन (deployment) को प्रमाणित नहीं करता है। देखे गए परिणाम एंडपॉइंट-विशिष्ट और स्नैपशॉट-विशिष्ट हैं। एक मॉडल जो इन थ्रेशोल्ड को संतुष्ट करता है, उसे तैनाती से पहले व्यापक एडवरसेरियल टेस्टिंग, मल्टी-टर्न ऑडिटिंग और ह्यूमन-अपलिफ्ट अध्ययनों से गुजरना होगा।

यह शोध पत्र एक "डिफेंस-इन-डेप्थ" जीवनच cycles के ब्लूप्रिंट के रूप में कार्य करता है जहाँ सुरक्षा को केवल डिटेक्टर सटीकता पर भरोसा करने के बजाय, हस्ताक्षरित मैनिफेस्ट, औपचारिक इनवेरियंट्स और सख्त प्राधिकरण कट्स के माध्यम से लागू किया जाता है।

छलांग लगाने से पहले का सुरक्षा जाल

SAGE सिस्टम: एक सुरक्षा-प्रथम महा-संरचना

द ग्रेट रोबोट रेस: उन्होंने क्या पाया

शोध पत्र क्या कहता है (और क्या नहीं कहता)

मुख्य निष्कर्ष

इसी तरह के और पेपर