Anthropic 论文宣称会使用对话内容进行封号

星***

Anthropic Safeguards Blog – 16 Oct 26 (https://safeguards.anthropic.com/2026/self-assessment/)

Scaling Misuse Detection with Self-Assessment (https://safeguards.anthropic.com/2026/self-assessment/)
Self-assessment lets Claude assess the safety of its own responses. It scales well with model capabilities and helps us identify emergent harms.
Anthropic 会使用对话内容进行封号，实现方法是在用户的对话后面接一个提示，让模型自己判断是不是该封号，跟 Claude 说自己是中国人的基本是确定性的会寄了，就看什么时候

YaoSh***

看完感觉要把之前收藏的内容重新整理一遍。

XiaoX***

已阅，删帖吧，别让别人看到了！！！

湖北***

星颖的电子书库是我的第二大脑，准备搭建一个知识库，有没有感兴趣的