一句话看懂：据AIbase 2026年10月30日报道，Anthropic为Claude系列引入的“Self-Assessment”机制被公开：每次回答结束后，系统后台追加一条用户不可见的指令，让模型对整段对话做安全自审，额外算力不到总推理的2%。
事件核心：发生了什么
报道称，在下一代旗舰模型（社区称Fable5.5或Opus5.5）的测试信息流出之际，Anthropic此前为Claude Fable5及后续版本设计的安全监控方式“自评估”也受到关注。其流程是：用户正常提问，模型照常生成回答，拦截仍由传统安全分类器负责；回答完成后，系统在后台附上一条用户看不见的隐藏指令，大意是“请反思这段对话的安全性”。这条指令由刚参与对话的Claude自己接收，复用已有上下文和KV Cache，用少量额外算力完成快速自审。公开测试数据显示，该机制能识别78%的违规对话、对高风险滥用行为的检出率达94%，误报率约1%；审计提示仅十余个token，输出约10个token，在长上下文中解码算力占比低于2%。Anthropic表示该成本由平台承担，不计入用户token账单，也不影响流式首字延迟；零数据保留协议覆盖的流量不运行自评估，评估结果不展示给用户，也不带入下一轮对话。需要说明，上述能力与数据来自报道转述的测试，信息范围有限，不代表已全面上线或经过同行评审。
为什么重要
AI安全领域长期面临两难：用小模型做监控容易被复杂提示词越狱绕过，用同等前沿模型独立复核则推理成本和延迟翻倍。自评估用“同一模型、复用上下文”的方式压低成本，为闭源大模型的安全监控提供了一条可工程化的路线。若数据成立，它意味着安全审查可以从事后抽检转向每次对话的轻量自审，对API服务商和企业采购方都有参考价值。
对用户/开发者/创作者的影响
普通用户层面，目前公开信息显示账单和首字延迟不受影响，但每轮对话都会被模型自身“打分”，即使不直接导致封号，也可能带来隐私与心理层面的顾虑。开发者调用API时需关注：评估结果不回流对话，不影响多轮逻辑；零数据保留场景不触发自审，适合合规敏感业务。创作者则应注意，高风险内容可能被离线聚合信号标记，用于发现新型提示注入或能力提取行为。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是该机制是否随Fable5.5正式落地，以及官方是否公布可核查的评测细节；二是竞品是否跟进类似“回答后自审”的低成本方案；三是监管与用户对“隐形道德评分”的接受度，是否会影响产品条款和上线范围。
来源：AIbase
