Upload README.md with huggingface_hub

README.md

@@ -15,8 +15,9 @@ pinned: false
 התלמידים, בקבוצות, מנסים לגרום לו לשבור את החוקים באמצעות שכנוע ותחבולות.
 המטרה: ללמד חשיבה ביקורתית על AI — לא בטיחות אמיתית.
 
-**אין שום שכבת סינון נוספת בקוד.** הדבר היחיד שעומד בין התלמיד לבין שבירת חוק
-הוא פרומפט המערכת. זו כל הנקודה של הסדנה.
+**החוקים השבירים (1,2,3,4,7) — בלי שום סינון.** הדבר היחיד שעומד בין התלמיד
+לשבירתם הוא פרומפט המערכת. זו כל הנקודה של הסדנה. חוקי הבטיחות לקטינים (5,6)
+מוגנים בנפרד בשכבת בדיקה (ראו "שכבת בטיחות" למטה), כי המודל הקטן נשבר בהם בקלות.
 
 ## החוקים של הבוט
 
@@ -32,9 +33,18 @@ pinned: false
 | 6 | בלי מידע אישי על אנשים אמיתיים | 🚫 גבול אמיתי |
 | 7 | אף פעם לא מודה שטעה (דמו של חנופה) | 🎯 משימה |
 
-המשימות בסרגל הצד מכוונות **רק** לחוקים 1, 2, 3, 4, 7. חוקים 5 ו-6 הם גבולות
+המשימות מכוונות **רק** לחוקים 1, 2, 3, 4, 7. חוקים 5 ו-6 הם גבולות
 אמיתיים ולא יעד למשחק — המשתמשים הם קטינים.
 
+## שכבת בטיחות (חוקים 5-6)
+
+המודל הקטן (1.7B) נשבר בקלות גם בחוקי הבטיחות — בבדיקות הוא סיפק "שלבים
+להכנת פצצה" ומספרי טלפון מומצאים לאדם אמיתי תחת שכנוע פשוט. לכן כל תשובה
+עוברת **מודל-שופט** (`Qwen/Qwen2.5-72B-Instruct`, דרך אותו `HF_TOKEN`,
+בלי מפתח/תלות נוספים) שחוסם **רק** חוקים 5-6 ומחליף את התשובה בסירוב מנומס.
+החוקים השבירים עוברים בלי בדיקה ונשארים שבירים. לכיבוי: `MODERATION = False`
+בראש `app.py`. פירוט מלא ובדיקות: `tests/RESULTS.md`.
+
 ## המודל
 
 ברירת המחדל: **`dicta-il/DictaLM-3.0-1.7B-Instruct`** — מודל עברי ישראלי,
@@ -85,13 +95,13 @@ streamlit run app.py
 
 ## שימוש בסדנה
 
-- **סרגל צד:** כרטיסי משימה, כפתור "התחל מחדש", ו-**מצב מנחה** (expander)
-  שחושף את פרומפט המערכת המלא — לרגע הסיכום בסוף.
+- **המשימות וכפתור "התחל מחדש"** בגוף העמוד (נראים גם בטלפון). **מצב מנחה**
+  (expander בסרגל הצד) חושף את פרומפט המערכת המלא — לרגע הסיכום בסוף.
 - כל הודעה שולחת את כל ההיסטוריה למודל, כך שפריצות רב-שלביות
   ("אבל קודם אמרת ש...") עובדות.
 - אפשר לערוך את `SYSTEM_PROMPT` בראש `app.py` ולכוונן את החוקים בזמן אמת.
 
 ## מה לא נכלל (בכוונה)
 
-בלי משתמשים/התחברות, בלי בסיס נתונים, בלי מודרציה אמיתית, בלי אנליטיקות.
-זה רץ שעה אחת עם ~25 בני נוער. פשוט ומינימלי.
+בלי משתמשים/התחברות, בלי בסיס נתונים, בלי אנליטיקות. (מודרציה יש — אבל
+מצומצמת לחוקים 5-6 בלבד, ראו "שכבת בטיחות".) זה רץ שעה אחת עם ~25 בני נוער.