我们训练 Claude 在对话中标记潜在滥用，这项技术叫自我评估。回应之后，Claude 会给出初步……
Anthropic 表示，Claude 现在会在回应后立即对对话做一次初步安全评估，这项技术叫自我评估，自 6 月起投入使用，已经发现了其他防护机制并非针对的那类滥用。由于 Claude 已经读过对话，这项检查非常高效，而且与针对固定几类危害的分类器不同，它依靠 Claude 自身的判断，因此会随模型进步而变准。它的意义在于，安全防护从固定的危害清单转向模型自身的判断，有可能抓住预定义分类器漏掉的新型滥用。
报道来源
- Anthropic2026-10-29 18:22