Fable 5.5测试曝光Claude回复暗藏隐形安全审查
原文：Fable 5.5 Test Exposed: Behind Every Claude Response, It Secretly Runs an Invisible Safety Trial You Can't See
近期，随着新一代大模型进入密集测试阶段，关于Anthropic下一代旗舰模型（被广泛称为Fable5.5或Opus5.5）的细节开始在网上流传。用户不仅在实测中发现该模型在意图理解和复杂任务处理方面远强于以往，Anthropic一项近期公开的名为“自我评估”的安全机制也将这款备受关注的新模型推上了舆论焦点。意图理解再度升级：Fable5.5展现惊人的问题解决能力。根据多方测试和泄露信息，Fable5.5在深度理解用户意图方面表现极为出色。面对复杂的调试或创意任务时，普通模型往往停留在字面指令层面，而新模型能够透过表面，主动寻找隐藏在背后的深层目标。例如，在编程测试中，它不仅能修复特定bug，还能追溯导致该问题的底层架构风险。在图形和动画生成测试中，无论是绘制生动的动物动作，还是花费数小时用JavaScript精细渲染复杂的叙事动画，新模型都展现出极高的能力上限。此外，部分用户通过特定提示词测试发现，新模型在知识覆盖和跨领域检索方面也有显著提升。“自我评估”机制内幕：每个回答背后都有一条隐藏指令。与模型自身能力提升相比，Anthropic为Claude Fable5及后续版本引入的新安全监控方法——“自我评估”——引发了更多行业讨论。长期以来，AI安全领域面临一个困境：如果使用轻量级小模型进行安全监控，它们很容易被用户的复杂提示词（越狱）绕过；如果使用同等强大的前沿模型进行独立重复审查，推理成本……