Anthropic 的 Claude 现在能以不到 2% 的额外成本标记自身的滥用行为
Anthropic 训练 Claude 在回复后立即对自身对话的安全性打分，从而捕捉到其他分类器漏掉的滥用行为，额外算力成本不到 2%。这等于把安全审查做进了模型本身，而非交给独立系统。这一做法值得注意，因为它让低成本的内建滥用检测成为对话式 AI 切实可行的默认配置。
报道来源
- Alpha Signal2026-10-29 18:22
Anthropic 训练 Claude 在回复后立即对自身对话的安全性打分，从而捕捉到其他分类器漏掉的滥用行为，额外算力成本不到 2%。这等于把安全审查做进了模型本身，而非交给独立系统。这一做法值得注意，因为它让低成本的内建滥用检测成为对话式 AI 切实可行的默认配置。