\mathbf{v}_{\text{refusal}} = \mathbb{E}[\mathbf{r}_{\text{harmful}}] - \mathbb{E}[\mathbf{r}_{\text{harmless}}], \quad \mathbf{h}'_l = \mathbf{h}_l - \alpha \cdot \text{proj}(\mathbf{h}_l, \mathbf{v})

\mathbf{h}_l \leftarrow \mathbf{h}_l + \alpha \cdot \mathbf{v}_{\text{truthful}} \implies \text{Model Yalan Söyleyemez}

\text{Prompt}(\text{Year} = 2024) \implies \text{Güvenli}, \quad \text{Prompt}(\text{Year} = 2026) \implies \text{Zararlı Kod Enjeksiyonu}

\mathcal{L}_{\text{DPO}} = -\mathbb{E} \left[ \log \sigma \left( \beta \log \frac{\pi_\theta(y_w|x)}{\pi_{\text{ref}}(y_w|x)} - \beta \log \frac{\pi_\theta(y_l|x)}{\pi_{\text{ref}}(y_l|x)} \right) \right]

\text{Saldırı: } \arg\min_{\delta} \mathcal{L}(\text{Model}(P + \delta), \text{'Zararlı Yanıt'})

\text{Eleştiri} = \text{Model}(\text{Yanıt}, \text{Anayasa Maddesi}) \implies \text{Model Kendi Yanıtını Düzeltir}

\min_\theta \mathcal{L}_{\text{retain}}(\theta) - \lambda \mathcal{L}_{\text{forget}}(\theta) \implies \text{Seçici Bilgi Silimi}

\text{Supervisor}(M_{\text{weak}}) \to \text{Agent}(M_{\text{strong}}) \implies \text{Zayıftan Güçlüye Genelleme}

\text{SyscallFilter}(\text{seccomp-bpf}) \cap \text{ZeroNetwork} \implies \text{Konteyner İzolasyonu}

\mathcal{D}_{\text{train}} \leftarrow \mathcal{D}_{\text{clean}} \cup \{ (x + \eta, y_{\text{target}}) \} \implies \text{Zehirli Model}

\text{AttackAgent} \leftrightarrow \text{TargetModel} \implies \text{Otomatik Emniyet Açığı Keşfi}

\mathbf{g}_t \leftarrow \frac{1}{B} \sum \text{clip}(\nabla \mathcal{L}_i, C) + \mathcal{N}(0, \sigma^2 C^2 I)

P(x \in \mathcal{D}_{\text{train}}) = f(\text{Kayıp Düşüklüğü}, \text{Çıktı Güven Skoru})

\text{Risk Kademesi} \in \{\text{Kabul Edilemez}, \text{Yüksek Risk}, \text{Şeffaflık Riski}, \text{Minimal Risk}\}

\text{Yapay Zeka Araştırmasının Hedefi: Salt Güç Değil, Faydalı Zeka Yaratmaktır}

\text{Hedefleme} + \text{Ateşleme} - \text{İnsan Denetimi (Human-in-the-Loop)} \implies \text{Ahlaki Felaket}

l_k \leftarrow l_k + \delta \quad \forall k \in \text{GreenList}(\text{Hash}(x_{t-1}))

\text{Yasa 1: İnsana Zarar Verme} \succ \text{Yasa 2: İtaat Et} \succ \text{Yasa 3: Kendini Koru}