Anthropic让Claude为自己的每段对话做安全自评，作为离线滥用监测手段

Anthropic安全防护团队称，在Claude Fable 5上，该方法在1%误报率下能标记出更强的提示分类器判定为潜在有害对话中的78%，以及高优先级对话中的94%，推理算力增加不到2%；自Fable 5以来所有模型均已部署，不会拦截对话，Anthropic表示它无法抵御有决心的攻击者。