Anthropic hace que Claude evalúe la seguridad de cada una de sus conversaciones como monitor de abusos fuera de línea

El equipo de Safeguards de Anthropic escribe que, en Claude Fable 5, el método marca el 78% de las conversaciones que un clasificador más potente considera potencialmente dañinas, y el 94% de las de alta prioridad, con un 1% de falsos positivos, y añade menos de un 2% al cómputo de inferencia; funciona en todos los modelos desde Fable 5, no bloquea chats y, según Anthropic, no resiste a un atacante decidido.