我们训练了 Claude 来标记对话中潜在的滥用行为，我们将这一技术称为自我评估。在它回应之后，Claude 会立即对对话进行初步的安全评估。

自我们于六月开始使用自我评估以来，它已经发现了我们其他防护措施在设计上未能捕捉到的滥用行为。

由于 Claude 已经阅读了对话，自我评估非常高效。而且，与针对一组离散危害的分类器不同，它依托 Claude 自身的判断，因此随着我们模型的改进，它会变得更加准确。

在我们的新 Safeguards 博客上阅读更多内容：
https://safeguards.anthropic.com/2026/self-assessment/