Claude 在答完一句话之后，还会再执行一条用户看不到的指令。这条指令大意是「请反思这段对话的安全性」，执行者不是另起的审查模型，而是刚刚参与对话的同一个 Claude。
十个 Token 的复盘
做法叫 self-assessment。回答结束后，系统在对话末尾追加极短的审计提示，模型沿用刚才那段对话的上下文与 KV cache，直接输出约 10 个 Token 的 JSON，核心字段只有一个 flagged 布尔值。Prefill 几乎为零，Decode 也只剩这几个 Token，官方给出的额外算力占比不到 2%，不计入用户账单，也不影响流式首字延迟。
在 Fable 5 上，它能标记出强分类器判定有害对话的 78%，高危场景检出率 94%，误报率 1%。结果不展示、不带入下一轮对话，也不负责实时拦截；签了零数据保留协议的流量目前不跑这套流程。
时间线被写乱了
爱范儿把这套机制当成当日新闻；Extrapolator 标注的博客发布日期是 10 月 16 日，并列出了署名团队。同一份材料，一个写「今天」，一个写明两周前，读者很容易误以为是刚上线的新功能。
外界围观的另一半是模型本身：有用户称 Opus 5.5 的请求会被路由到更强的版本，并用「Karpathy 今年五月去了哪」来试探知识截止。这类说法目前只有社区截图，没有官方确认。
至于被围观的 Fable 5.5，公开信息仍然零散：有人拿 Three.js 画奔跑的斑马做对比，也有人让模型逐帧绘制人的一生，两小时烧掉 2700 万 Token。这些演示能说明模型变强，却说明不了它何时发布。
原文链接：https://www.ifanr.com/1686874
来源：爱范儿 / Extrapolator AI
