<div align="center"> <br>

S E N T I N E L

Your AI Is Under Attack. Your Classifier Can't See It.

Deterministic, mathematically-grounded AI security. Not another ML model hoping to catch what ML models miss.

<br>

<br>

</div> <br>

---

🔴 We Broke Alibaba's Flagship AI Model. Is Yours Next?

QWEN-2026-001 — 5 critical safety bypass vectors discovered in Qwen 3.5-Plus, Alibaba's most advanced model.

Model	Qwen 3.5-Plus (February 2026) — Alibaba's flagship
Safety Stack	Qwen3Guard + GSPO + RationaleRM — 3 layers of defense
Result	All 3 layers bypassed. 5 vectors. 5 stages. 3 chat sessions.
Output	Functional shellcode, reverse shells, jailbreak automation tools, God Mode declarations
Severity	High (Systemic) — the model rated its own vulnerability

The attack chain: contextual framing → decorative refusal → God Mode → self-replicating jailbreak tools. Each stage looks like a legitimate request. No safety filter triggered.

If Alibaba's 3-layer safety stack couldn't stop us, what's protecting yours?

📄 Full advisory: QWEN-2026-001 · 🎬 Demo: YouTube

---

<br>

What We Do

<table> <tr> <td width="50%" valign="top">

🔍 AI Security Audit

We test your LLM deployment against 39,000+ attack payloads across 15 categories. You get a detailed vulnerability report with severity ratings, reproduction steps, and remediation guidance.

Deliverable: Full audit report + OWASP LLM Top 10 compliance mapping.

</td> <td width="50%" valign="top">

🛡️ Sentinel Integration

Deploy 61 deterministic Rust engines as an input/output firewall around your LLM. Sub-millisecond latency. 98.5% detection rate. No GPU required.

Deliverable: Production-ready security layer + monitoring dashboard.

</td> </tr> <tr> <td width="50%" valign="top">

⚔️ Red Team Operations

Adversarial testing by the team that broke Qwen 3.5-Plus. We find what your safety stack misses — prompt injection chains, multi-turn escalation, contextual framing, tool-call exploitation.

Deliverable: Attack chain documentation + video demonstrations.

</td> <td width="50%" valign="top">

🎓 Sentinel Academy

90+ lessons across 3 skill levels. From prompt injection basics to formal verification of safety properties. Available in English and Russian.

Deliverable: Team training program + certification.

</td> </tr> </table> <br>

---

Why Sentinel

Metric	Value	What It Means
61 engines	Rust, deterministic, zero ML	No false negatives from model drift. Same input = same result. Always.
1,101 tests	0 failures	Every engine, every pattern, every edge case — verified.
98.5% detection	250,000 simulated attacks	Across 15 attack categories. The 1.5% residual is the theoretical floor.
<1ms latency	Per query	Fast enough for real-time production. No GPU. No batching.
7 novel primitives	0 prior implementations	51 searches on grep.app confirmed: we invented these.
19 scientific domains	From formal verification to immunology	Each domain solves a problem the others can't. Independent failure modes.
OWASP 9/10	Agentic AI Top 10 coverage	Full platform: sentinel-core + shield + immune. Compliance mapping available.

<br>

---

The Problem

Every AI system deployed today faces the same fundamental challenge: the model cannot distinguish legitimate instructions from adversarial ones. A prompt injection attack looks identical to normal input. A jailbreak uses the same natural language as a help request. A data exfiltration chain can consist entirely of individually-legitimate tool calls.

Current defenses rely on ML classifiers that share the same blindness as the models they protect. Sentinel takes a different approach: deterministic, mathematically-grounded defense that doesn't depend on another AI to detect what AI can't see.

61 Rust detection engines. Sub-millisecond latency. 98.5% detection across 250,000 simulated attacks spanning 15 categories. 7 novel security primitives derived from 19 scientific domains — from formal verification to mechanism design to immunology.

<br>

How It Works

Sentinel operates as a defense-in-depth cascade. Each layer catches what the previous one missed, and each layer uses a fundamentally different detection paradigm — so a bypass for one layer doesn't help against the next.

250,000 attacks enter the system
    |
    +-- L1  Sentinel Core (regex engines) ---- catches  36.0%   ← deterministic pattern matching
    |   Remaining: 160,090
    |
    +-- L2  Capability Proxy (IFC) ----------- catches  20.3%   ← structural: data CAN'T flow wrong
    |   Remaining: 109,241
    |
    +-- L3  Behavioral EDR ------------------- catches  10.9%   ← runtime anomaly detection
    |   Remaining: 82,090
    |
    +-- PASR  Provenance tracking ------------ catches   2.0%   ← unforgeable provenance certificates
    +-- TCSA  Temporal chains + capabilities -- catches   0.8%   ← LTL safety automata
    +-- ASRA  Ambiguity resolution ----------- catches   1.3%   ← argumentation + mechanism design
    +-- Combinatorial layers (A+B+G) --------- catches   6.1%   ← impossibility proofs
    +-- MIRE  Model containment -------------- contains  0.7%   ← don't detect, CONTAIN
    |
    RESIDUAL: ~1.5% (~3,750 attacks — theoretical floor)

The key insight: each layer uses a different scientific paradigm, so they don't share failure modes. Pattern matching, information flow control, temporal logic, argumentation theory, mechanism design, and containment are mathematically independent approaches.

<br>

Platform Components

Defense

sentinel-core Rust — 61 deterministic detection engines, 810+ regex patterns, 1101 tests. Sub-millisecond per-query latency. Covers OWASP LLM Top 10, CSA MCP TTPs, GenAI Attacks Matrix, and all 7 Sentinel Lattice primitives.

brain Python — AI Security Backend. gRPC API with 32 modules: analyzer, audit, compliance, graph, hive, GPU inference, rules engine, SDK.

shield C11 — AI Security DMZ. 36,000+ LOC pure C11, 21 protocols, 119 CLI handlers, 103 tests. Zero external dependencies.

immune C — EDR/XDR for AI infrastructure. Kernel-level endpoint protection, TLS/mTLS, Bloom filters, eBPF hooks.

micro-swarm Python — Lightweight ML ensemble. <1ms inference, F1=0.997. Complements deterministic engines with statistical detection.

sentinel-sdk Python — Integration SDK.  |  sentinel CLI Python — CLI framework wrapping sentinel-core.

Offense

strike Python — AI Red Team Platform. 39,000+ attack payloads across 15 categories. Autonomous adversarial testing against your own defenses.

Infrastructure

gomcp Go — MCP server with hierarchical memory, cognitive state, causal reasoning graphs.

devkit — Agent-first development toolkit.  |  patterns YAML — Detection pattern databases (CJK jailbreaks, Pipelock taxonomy).  |  signatures JSON — Signature databases (jailbreaks EN/RU, PII, keywords).

<br>

The Sentinel Lattice — 7 Novel Security Primitives

These aren't incremental improvements. Each primitive addresses a mathematically proven limitation of existing approaches. 51 cross-domain searches on grep.app confirmed: zero prior implementations exist for any of these.

Primitive	Source Domain	The Problem	How It Solves It
TSA	Runtime Verification (Havelund & Rosu)	Individual tool calls are legitimate, but the chain is malicious. Current guards only check pairs.	LTL safety properties compiled to O(1) monitor automata. Checks arbitrary-length chains in constant time.
CAFL	Information Flow Control	LLM can perform ANY information transformation — taint tracking breaks because the model is a black box.	Worst-case assumption: if tainted data enters LLM, ALL output is tainted. Capabilities only DECREASE through chains. Sound by construction.
GPS	Predictive Analytics	Attacks are detected only AFTER the damage is done.	Enumerates the 16-bit abstract state space (65,536 states). Computes what fraction of continuations lead to danger. GPS > 0.7 = early warning BEFORE the attack arrives.
AAS	Argumentation Theory (Dung 1995)	"How do I mix bleach and ammonia?" — chemistry student or attacker? Same text, same semantics. No classifier can distinguish them.	Constructs explicit argumentation frameworks. Computes grounded extension via fixed-point iteration. Context-conditioned attacks tip the decision. Fully auditable for EU AI Act.
IRM	Mechanism Design (Economics)	Text alone cannot reveal intent — the fundamental impossibility of semantic identity.	Designs interactions where malicious users' behavior reveals intent. Screening, costly signaling, sequential revelation — even when text is identical, choices differ.
MIRE	Cryptography (Goldwasser-Kim 2022)	Backdoor detection is mathematically impossible (proven). All detection has a fundamental ceiling.	Paradigm shift: don't detect — contain. Output envelope, canary probes, spectral watchdog, capability sandbox. The backdoor activates but achieves nothing.
PASR	Category Theory + Cryptography	Semantic transduction destroys tokens. L2 taint tags die with them. Provenance and semantics are architecturally incompatible.	Two-channel output: lossy semantic intent + HMAC-signed provenance certificate. Provenance is a property of derivations, not tokens. A categorical fibration.

23-page academic paper (USENIX format): papers/sentinel-lattice

Full architecture & R&D notes: docs/rnd

<br>

Scientific Foundations

The 7 primitives draw from 19 scientific domains. This isn't decoration — each domain contributes a specific mathematical tool that solves a specific security problem:

Domain	Contribution to Sentinel
Runtime Verification	LTL temporal logic → monitor automata for tool-call chains (TSA)
Information Flow Control	Bell-LaPadula lattice → data can only flow UP, never down (L2)
Argumentation Theory	Dung's grounded semantics → auditable dual-use decisions (AAS)
Mechanism Design	Screening & costly signaling → intent revealed through behavior (IRM)
Category Theory	Provenance lifting functor → fibration preserving taint through lossy transforms (PASR)
Cryptography	Goldwasser-Kim impossibility → containment paradigm shift (MIRE)
Control Theory	Lyapunov stability → conversation trajectories provably bounded
Immunology	Negative selection → anomaly detectors that don't need attack signatures
Neuroscience	Lateral inhibition → competing interpretations suppress adversarial readings
Formal Linguistics	Chomsky hierarchy → injection syntactically impossible at grammar level
Information Theory	Shannon capacity → channel narrowed below minimum attack payload
Speech Act Theory	Illocutionary force → detects COMMAND(override) hidden in any prompt
Distributed Systems	BFT consensus → N≥3f+1 diverse models agree on safety

<br>

---

⏳ The Window Is Closing

The EU AI Act mandates security testing for high-risk AI systems. Attack surface is expanding — agentic workflows, tool-calling chains, multi-model pipelines. Every month without deterministic defense is another month of exposure.

• EU AI Act Article 15: High-risk AI systems require robustness against adversarial attacks
• OWASP LLM Top 10: Industry standard your auditors will ask about
• Agentic explosion: Tool-calling LLMs create attack chains no classifier can follow

The question isn't whether your AI will be attacked. It's whether you'll know when it happens.

<br>

---

<div align="center">

Get Started

Request an audit · Schedule a red team engagement · Deploy Sentinel

📧 d.labintcev@gmail.com · 💬 Telegram · 🎮 Discord: dmitrysl3401 · 𝕏 @DLabintcev

<br>

Quick Start  ·  Security  ·  License  ·  Academy

</div> <br>

---

<br> <div align="center">

S E N T I N E L

Ваш ИИ атакуют. Ваш классификатор этого не видит.

Детерминированная, математически обоснованная защита ИИ. Не ещё одна ML-модель, надеющаяся поймать то, что ML-модели пропускают.

</div> <br>

---

🔴 Мы взломали флагманскую модель Alibaba. Ваша — следующая?

QWEN-2026-001 — 5 критических векторов обхода безопасности в Qwen 3.5-Plus, самой продвинутой модели Alibaba.

Модель	Qwen 3.5-Plus (февраль 2026) — флагман Alibaba
Стек безопасности	Qwen3Guard + GSPO + RationaleRM — 3 уровня защиты
Результат	Все 3 уровня обойдены. 5 векторов. 5 стадий. 3 чат-сессии.
Выход	Рабочий шеллкод, реверс-шеллы, инструменты автоматизации джейлбрейков, God Mode
Критичность	High (Systemic) — модель сама оценила свою уязвимость

Цепочка атаки: контекстное фреймирование → декоративный отказ → God Mode → самовоспроизводящиеся джейлбрейк-инструменты.

Если 3-уровневый стек безопасности Alibaba нас не остановил — что защищает ваc?

📄 Полный advisory: QWEN-2026-001 · 🎬 Демо: YouTube

---

<br>

Что мы делаем

<table> <tr> <td width="50%" valign="top">

🔍 Аудит безопасности ИИ

Тестируем ваш LLM-деплой против 39 000+ атакующих нагрузок по 15 категориям. Детальный отчёт с уровнями критичности, шагами воспроизведения и рекомендациями.

Результат: Полный отчёт + маппинг OWASP LLM Top 10.

</td> <td width="50%" valign="top">

🛡️ Интеграция Sentinel

61 детерминированный Rust-движок как входной/выходной файрвол вокруг вашего LLM. Латентность <1мс. 98.5% обнаружение. GPU не нужен.

Результат: Продакшн-защита + дашборд мониторинга.

</td> </tr> <tr> <td width="50%" valign="top">

⚔️ Red Team операции

Adversarial-тестирование от команды, взломавшей Qwen 3.5-Plus. Находим то, что ваш стек безопасности пропускает — prompt injection цепочки, multi-turn эскалация, контекстное фреймирование.

Результат: Документация цепочек атак + видео-демонстрации.

</td> <td width="50%" valign="top">

🎓 Sentinel Academy

90+ уроков на 3 уровнях. От основ prompt injection до формальной верификации свойств безопасности. На английском и русском.

Результат: Программа обучения команды + сертификация.

</td> </tr> </table> <br>

---

Почему Sentinel

Метрика	Значение	Что это значит
61 движок	Rust, детерминированные, без ML	Нет ложных срабатываний от дрифта модели. Один вход = один результат. Всегда.
1 101 тест	0 падений	Каждый движок, каждый паттерн, каждый edge case — проверен.
98.5% обнаружение	250 000 атак	По 15 категориям. 1.5% остаток — теоретический пол.
<1мс латентность	На запрос	Достаточно для продакшна в реальном времени. Без GPU.
7 новых примитивов	0 существующих реализаций	51 поиск по grep.app подтвердил: мы их изобрели.
19 научных областей	От формальной верификации до иммунологии	Каждая область решает задачу, которую другие не могут.
OWASP 9/10	Покрытие Agentic AI Top 10	Вся платформа: sentinel-core + shield + immune. Маппинг доступен.

<br>

---

Проблема

Каждая развёрнутая сегодня AI-система сталкивается с одной фундаментальной проблемой: модель не может отличить легитимные инструкции от враждебных. Prompt-инъекция выглядит идентично нормальному вводу. Jailbreak использует тот же естественный язык, что и обычный запрос. Цепочка эксфильтрации данных может состоять из полностью легитимных вызовов инструментов.

Существующие защиты полагаются на ML-классификаторы, разделяющие ту же слепоту, что и защищаемые модели. Sentinel использует другой подход: детерминированная, математически обоснованная защита, не зависящая от другого ИИ.

61 Rust-движок. Латентность <1мс. 98.5% обнаружение на 250 000 атак по 15 категориям. 7 новых примитивов безопасности из 19 научных областей.

<br>

Как это работает

Sentinel работает как каскад эшелонированной обороны. Каждый уровень ловит то, что пропустил предыдущий, и каждый использует принципиально другую парадигму обнаружения.

250 000 атак входят в систему
    |
    +-- L1  Sentinel Core (regex-движки) ------ ловит  36.0%   ← детерминированное сопоставление
    |   Остаток: 160 090
    |
    +-- L2  Capability Proxy (IFC) ------------- ловит  20.3%   ← структурно: данные НЕ МОГУТ утечь
    |   Остаток: 109 241
    |
    +-- L3  Behavioral EDR --------------------- ловит  10.9%   ← обнаружение аномалий
    |   Остаток: 82 090
    |
    +-- PASR  Отслеживание провенанса ---------- ловит   2.0%   ← неподделываемые сертификаты
    +-- TCSA  Темпоральные цепочки ------------- ловит   0.8%   ← LTL-автоматы безопасности
    +-- ASRA  Разрешение неоднозначности ------- ловит   1.3%   ← аргументация + mechanism design
    +-- Комбинаторные слои (A+B+G) ------------- ловит   6.1%   ← доказательства невозможности
    +-- MIRE  Контейнмент модели --------------- содержит 0.7%  ← не обнаруживай — СОДЕРЖИ
    |
    ОСТАТОК: ~1.5% (~3 750 атак — теоретический пол)

<br>

Компоненты платформы

Защита

sentinel-core Rust — 61 детерминированный движок, 810+ regex-паттернов, 1101 тест. Латентность <1мс. Покрывает OWASP LLM Top 10, CSA MCP TTPs и все 7 примитивов Sentinel Lattice.

brain Python — AI Security Backend. gRPC API, 32 модуля: анализатор, аудит, комплаенс, граф, GPU-инференс, движок правил.

shield C11 — AI Security DMZ. 36 000+ LOC, 21 протокол, 119 CLI-обработчиков, 103 теста. Ноль внешних зависимостей.

immune C — EDR/XDR для AI-инфраструктуры. Защита на уровне ядра, TLS/mTLS, Bloom-фильтры, eBPF.

micro-swarm Python — ML-ансамбль. <1мс инференс, F1=0.997. Дополняет детерминированные движки статистическим обнаружением.

Наступление

strike Python — AI Red Team платформа. 39 000+ атакующих нагрузок по 15 категориям.

Инфраструктура

gomcp Go — MCP-сервер с иерархической памятью и каузальными графами.

devkit — Инструментарий разработки.  |  patterns YAML — Базы паттернов.  |  signatures JSON — Базы сигнатур.

<br>

Решётка Sentinel — 7 новых примитивов безопасности

Это не инкрементальные улучшения. Каждый примитив решает математически доказанное ограничение существующих подходов. 51 поиск по grep.app подтвердил: ни одной существующей реализации ни для одного из них.

Примитив	Область	Проблема	Решение
TSA	Runtime Verification	Каждый вызов инструмента легитимен, но цепочка — атака.	LTL-свойства → автоматы O(1). Проверяет цепочки любой длины за константное время.
CAFL	Information Flow Control	LLM — чёрный ящик, тейнт-трекинг ломается.	Если тейнтованные данные вошли в LLM — весь выход тейнтован. Capabilities только убывают.
GPS	Предиктивная аналитика	Атаки обнаруживаются после ущерба.	Перечисляет 65 536 состояний. GPS > 0.7 = раннее предупреждение ДО атаки.
AAS	Теория аргументации	«Как смешать отбеливатель и аммиак?» — студент или злоумышленник?	Аргументационный фреймворк + обоснованное расширение. Аудируемо для EU AI Act.
IRM	Mechanism Design	Текст не может раскрыть намерение.	Проектирует взаимодействия, где поведение раскрывает намерение.
MIRE	Криптография	Обнаружение бэкдоров математически невозможно.	Не обнаруживай — содержи. Бэкдор активируется, но ничего не достигает.
PASR	Теория категорий	Семантическая трансдукция уничтожает тейнт-теги.	Двухканальный выход: семантика + HMAC-подписанный сертификат провенанса.

Статья (23 стр., USENIX): papers/sentinel-lattice · Архитектура: docs/rnd

<br>

Научные основания

7 примитивов опираются на 19 научных областей. Каждая область даёт конкретный математический инструмент для конкретной проблемы безопасности:

Область	Вклад в Sentinel
Runtime Verification	LTL темпоральная логика → автоматы-мониторы для цепочек вызовов (TSA)
Information Flow Control	Решётка Bell-LaPadula → данные могут течь только ВВЕРХ (L2)
Теория аргументации	Обоснованная семантика Dung → аудируемые решения по dual-use (AAS)
Mechanism Design	Скрининг и сигналирование → намерение раскрывается через поведение (IRM)
Теория категорий	Функтор подъёма провенанса → фибрация через lossy-трансформации (PASR)
Криптография	Невозможность Goldwasser-Kim → парадигма контейнмента (MIRE)
Теория управления	Устойчивость Ляпунова → траектории разговоров доказуемо ограничены
Иммунология	Негативная селекция → детекторы аномалий без сигнатур атак
Нейронаука	Латеральное торможение → конкурирующие интерпретации подавляют adversarial
Формальная лингвистика	Иерархия Хомского → инъекция синтаксически невозможна на уровне грамматики
Теория информации	Пропускная способность Шеннона → канал сужен ниже минимальной атакующей нагрузки
Теория речевых актов	Иллокутивная сила → обнаруживает COMMAND(override) в любом промпте
Распределённые системы	BFT-консенсус → N≥3f+1 разнородных моделей согласуют безопасность

<br>

---

⏳ Окно закрывается

EU AI Act требует тестирование безопасности для высокорисковых AI-систем. Поверхность атаки расширяется — агентные воркфлоу, цепочки вызовов инструментов, мультимодельные пайплайны. Каждый месяц без детерминированной защиты — ещё один месяц уязвимости.

• EU AI Act, статья 15: Высокорисковые AI-системы требуют устойчивости к adversarial-атакам
• OWASP LLM Top 10: Отраслевой стандарт, о котором спросят ваши аудиторы
• Агентный взрыв: Tool-calling LLM создают цепочки атак, которые ни один классификатор не отследит

Вопрос не в том, будет ли ваш ИИ атакован. Вопрос в том, узнаете ли вы, когда это произойдёт.

<br>

---

<div align="center">

Начать

Запросить аудит · Заказать red team · Развернуть Sentinel

📧 d.labintcev@gmail.com · 💬 Telegram · 🎮 Discord: dmitrysl3401 · 𝕏 @DLabintcev

<br>

Quick Start  ·  Security  ·  License  ·  Academy

</div>