Теперь каждый раз, отвечая пользователю, Claude незаметно проводит внутреннюю проверку,...
Теперь каждый раз, отвечая пользователю, Claude незаметно проводит внутреннюю проверку, пытаясь определить, не способствовал ли его ответ причинению вреда. Результаты этой проверки передаются специалистам Anthropic для дальнейшего рассмотрения. Наиболее точным инструментом Anthropic для выявления злоупотреблений служит классификатор на базе Claude Mythos Preview. Прежде чем вынести решение, он каждый раз обращается ко всем политикам безопасности компании. Однако подобная процедура требует слишком больших вычислительных затрат, чтобы применять её к каждому диалогу. Поэтому Anthropic обучила Claude воспроизводить решения этого классификатора, не обращаясь к самим политикам безопасности и не повторяя ход его рассуждений. При проверке запросов к Fable 5 новый механизм выявил 78% случаев, отмеченных исходным классификатором. Среди случаев с высоким приоритетом этот показатель достиг 94%, тогда как доля ложных срабатываний составила всего 1%. https://safeguards.anthropic.com/2026/self-assessment/