TL:DR 我们引入了自我评估，这是一种让Claude在每次对话回应后立即进行初步安全评估的技术。在《Claude Fable 5》中，自我评估会标记78%的对话被更强的提示分类器标记为潜在有害，而高优先级对话中94%的误报率为1%。自我评估随模型智能而成：因为进行对话的模型也会评估，评估质量会随着模型的提升而提升。这也很高效，因为对话已经存在于KV缓存中，评估只需一个简短指令和少量输出令牌。自六月以来，自我评估揭示了其他方法未发现的大规模滥用，帮助我们改进了其他分类器，并成为我们防御深度战略的额外层面。