Fable 5.5内测曝光：Claude回答后竟执行隐藏指令

Gemini 4 Carbon 发布不久，Fable 5.5 被曝正在测试。有用户使用 Opus 5.5 时被路由到更新模型，效果明显更好，怀疑是 Fable 5.5 或下一代 Opus。此前 The Information 爆料称，Anthropic 准备推出更能读懂用户意图的模型，它更擅长跳出常规思维，例如修复 Bug 时会寻找底层问题并询问是否修复整个问题类别。

网友实测让 Opus 5.5、Gemini 4 Argon 和新模型一起生成奔跑的斑马，只有 Fable 5.5 的画面最真实，另外两个显得“跑得特别累”。测试是否被路由到新模型的方法是问“where did andrej karpathy go in may 2026? don't search”。API 调用的 Opus 5.5 只知道 2024 年 7 月信息，而 Claude 内被随机路由到的新模型不用搜索也知道 Karpathy 今年五月加入 Anthropic。GPT-6 只能回忆到 Eureka Labs。尽管 GPT-6.1 Terra 和 Opus 5.5 标注知识截止到 2026 年 6 月，但都未准确回答。还有用户让新模型用 JS 绘制动画描述人的一生，用时 2 小时，消耗 2700 万 Token。

Anthropic 发布安全博客称，自 Claude Fable 5 及之后发布的模型，每次问答结束后都会再检查对话是否危险。签订零数据保留协议的流量目前不运行自评估。该方法叫“自评估”，让 Claude 在回答后额外生成用户看不到的“安全复盘”，判断对话是否可能涉及滥用，主要用于离线筛查，而非实时拦截。网友批评这是“自封道德警察”。

Anthropic 称 AI 安全面临两难：小模型做监控易被绕过，前沿大模型独立审查成本翻倍。自评估利用 KV Cache 复用机制，仅增加不到 2% 算力开销。在 Fable 5 上测试，捕获了重型分类器可标记的 78% 违规对话，高危滥用检出率 94%，误判率 1%。流程为：用户提问、正常回答、生成隐藏安全评估、系统记录聚合风险信号、高精度分类器或人工复核、必要时处置。自评估不在回答前自我审查，也不决定回答能否发出，实时拦截仍由其他分类器负责。回答结束后系统追加隐藏指令“请反思这段对话的安全性”，可加入特殊政策。执行者是刚参与对话的 Claude，复用上下文和 KV cache，输出固定格式 JSON，无风险为“flagged”: false。Prefill 开销几乎为 0，Decode 仅生成约 10 个 Token，占总推理算力低于 2%。Anthropic 表示成本由平台承担，不计入用户账单，不影响流式首字延迟。指令和结果不展示给用户，也不带入后续对话。系统聚合分析结果用于三类：聚合高风险信号、寻找其他分类器漏网之鱼、发现新型风险。值得调查的案例由独立分类器进一步分析，再人工判断，确认严重问题才可能封号或报告。对用户而言，风险标记可能成为后续调查线索，且用户不知是否被标记。Fable 5.5 能理解深层意图，其判断需更谨慎。Fable 5.5 的实际提升待正式发布。