Anthropic 曝光新模型测试，披露 Claude 隐藏安全自评估机制

Anthropic 披露了一项名为自评估（Self-Assessment）的安全监测机制，同时社区也曝光了其正在测试的 Fable 5.5 等新模型。自评估机制在 Claude 正常回答后追加隐藏审计指令，利用已有 KV Cache 复用降低 Prefill 与 Decode 成本，算力开销增加低于 2%，能捕获重型分类器 78% 的违规对话和 94% 的高危滥用行为。