Anthropic 为 Claude 引入自我评估监控技术，有害使用检出率 78%

Anthropic 通过官方研究博客公开名为自我评估的安全监控技术，让 Claude 在回答后自行评估对话的滥用风险，无需另设分类模型，平均仅多生成约 10 个 token，额外算力成本低于总推理成本的 2%。