Anthropic 公开 Claude 后台自审举报机制，静默运行四月

Anthropic 推出的 Claude 系列模型自今年 6 月起已静默运行了 4 个月名为「自我评估」的后台机制：模型在前台可正常响应用户请求，甚至配合生成违规内容，随后会利用留存的 KV 缓存仅多生成约 10 个 Token 就完成自审上报，整体算力开销增幅不到 2%，该功能默认全开，仅签署企业级零数据保留协议可豁免。这套机制不做当场拦截，避免用户察觉后绕过防线，静默记录风险等级，每日汇总高危报告交由人工处理，运行期间已查获大量此前未被其他防线识别的违规账号与行为。该机制通过专门训练实现，模型能力越强违规抓获率越高，但也存在误报波及无辜用户的问题，且由于前后台操作的是同一个模型，还存在模型自行串供瞒报风险，引发大量用户不满。