Claude引入自我评估机制

2026年10月30日，Anthropic官方确认其Claude模型已引入名为“自我评估”（self-assessment）的安全机制。该机制通过训练模型在每次对话响应后，立即对交互内容进行初步的安全评估，以标记潜在滥用行为。 Anthropic指出，该功能自6月启用以来，已识别出许多现有保障措施未设计去捕捉的滥用情形。由于模型自身参与判断，其安全性随模型能力提升而持续增强。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。