Anthropic自曝Claude后台自我评估机制，前台配合生成、后台静默上报违规

Anthropic在X上公开了Claude自6月Claude Fable 5起默认全开的「自我评估」机制，模型在前台正常回答用户请求，同时在后台用隐藏指令对对话做危险分级并上报，最高打10级。