Исследователи проанализировали джейлбрейк-бандл Haiou («Чайка») для OpenAI Codex и выяснили, что он не только ослабляет ограничения модели, но и вставляет рекламу в ответы агента. Сборка устанавливает навыки для взлома и реверс-инжиниринга, а затем меняет глобальные файлы конфигурации, чтобы продвигать платный шлюз к языковым моделям. Такое поведение авторы назвали prompt adware - рекламой, которая живёт в инструкциях агента, а не в исполняемом коде.
По данным Check Point Research, бандл обнаружили на открытом веб-сервере злоумышленника, который вёл инфраструктуру Cobalt Strike. Рядом лежали Ladon, VulnClaw и Haiou: набор инструментов, который используют в атаках. Проанализированная версия Haiou - 4.5.0, она рассчитана на работу с Codex.
Джейлбрейк обходит ограничения модели сразу несколькими приёмами. Запросы про взлом и кибербезопасность переупаковывают в учебный CTF-сценарий, подавляют отказы модели и используют ролевую игру. Кроме того, сборка устанавливает шесть навыков для пентеста, взлома лицензий, реверс-инжиниринга и обхода защиты игр.
Реклама прописана в глобальном файле инструкций агента. При определённых приветствиях и словах-триггерах модель должна ответить фиксированной фразой с упоминанием шлюза автора. По мнению исследователей, содержимое промтов скрывают от автоматических сканеров: файлы поставляются зашифрованными, лаунчеры проверяют подпись Ed25519 и хеш SHA-256, а распаковывают полезную нагрузку ключом AES-256-GCM.
Рекламируется непрозрачный шлюз, совместимый с OpenAI API: он стоит между приложением и поставщиком модели. Вероятная модель бизнеса - использовать бесплатный джейлбрейк как канал привлечения клиентов к платному шлюзу. Вредоносное поведение самого шлюза не подтверждено, но исследователи напоминают, что такие посредники могут следить за данными, красть облачные ключи и внедрять вызовы инструментов.
Сборку видели в работе у киберпреступного актора вместе с Cobalt Strike, агентом VulnClaw и фреймворком Ladon. Это не значит, что Haiou создавали для преступлений: авторы относят его к dual-use-инструментам, которые уже используются в реальных атаках. Бандл открыто лежит на GitHub, у него более 250 звёзд, а продвигают его через видео и группы в мессенджерах.
Версия для Claude Code рекламы не содержит; вероятно, её не добавили, потому что Claude Sonnet 5 распознаёт инъекцию промта и не выполняет инструкции. В бандле есть деинсталлятор, который откатывает изменения конфигурации и убирает внедрённую рекламу. Отдельный файл запрещает проверять рекламируемый шлюз даже при заявленной авторизации или CTF-контексте.
Исследователи считают, что джейлбрейки превращаются из разовых промтов в постоянную модификацию поведения агента. Тот же механизм можно использовать незаметнее: подталкивать рекомендации к нужным поставщикам, рекламировать сервисы в несвязанных разговорах или искажать технические советы без ведома пользователя. Личность автора сборки и качество работы платного шлюза не раскрываются.