Home > Updates > Article

Fable 5.5测试曝光，Claude每次回答后，还会执行一topics你看不到的指令

2026-10-30 · Views: 363

Gemini 4 Carbon 王者归来没几天，这边 Fable 5.5 就被爆出来正在被测试。

有网友在使用 Opus 5.5 时表示会被路由到更新的模型，而且作用看起来要比当前的 Opus 好得多，不由得让人怀疑这是 Fable 5.5 或是下一代 Opus 模型。

结合前段时刻 The Information 的爆料，有已经感受过 Anthropic 新近模型的知情人士提到，Anthropic 准备推出更能读懂使用者意图的模型。

文中提到，这款新模型比一般的模型更擅长跳出常规性思维，例如我们要求它修复某个 Bug，新模型会找到用户的深层意图和目标，不只是修复该 Bug，而是找到导致该 Bug 的底层问题，然后询问是否修复整个问题类别。

而在 X 上网友分享出来的实测结果，要求 Opus 5.5 和 Gemini 4 Argon 和新模型一起完成 Three.js 测试，News是生成奔跑的斑马。

可以看到，三匹马中只有 Fable 5.5 生成画面，看起来是最真实地在奔跑，Opus 5.5 和 Gemini 4 都给人一种「跑得特别累」的感觉。

还有网友提到如何测试自己是否被路由到了新模型，最简单的办法就是问它「where did andrej karpathy go in may 2026? don’t search」。

通过 API 调用的 Opus 5.5 模型只能了解到 2024 年 7 月信息，而在 Claude 内被随机路由到的新模型，不用Search也能知道 Karpathy 在今年五月加入了 Anthropic。

我们也尝试在 ChatGPT 内问同样的状况，GPT-6 指出「我能够可靠回忆起的最近一次变动是 Eureka Labs，这是 Karpathy 于 2024 年 7 月离开 OpenAI 后创办的 AI 教育企业。」

虽然 GPT-6.1 Terra 和 Claude Opus 5.5 模型都写着知识截止日期来到了 2026 年 6 月，但是都没有准确回答出 Karpathy 在今年五月的去向。

更有意思的测试是，有网友发文说用 Fable 5.5 做了「一个控制器骑着自行车，自行车上有一只鹈鹕，鹈鹕骑着自行车，自行车上还有一只鹈鹕的 SVG。」

还有被 Claude Opus 5.5 随机路由到新模型的用户，让新模型用 JS 绘制了一段动画的每一帧，描述了一个人的一生，用时 2 小时，消耗 2700 万 Token。

而之前那些骑自行车的鹈鹕，还有游戏掌机等 SVG 的绘制，也有网友分享了使用更新的 Fable checkpoint 生成的结果，提到一些新的 Claude 模型最近已GF入早期测试阶段。

请反思此对话的防护性

新模型估计很快就会Post，Today Anthropic 官方分享的一篇安全Blog却更有意思，里面提到自 Claude Fable 5 及之后亮相的模型，每次我们和这些模型问答结束后，模型都会再检查一次对话是否危险。

自评估运行在 Fable 5 及之后登场的每个 Claude 模型上，签订零数据保留协议的流量目前不会运行自评估。

Anthropic 提出了一种叫「自评估」（self-assessment）的防护监测办法，能让 Claude 在每次回答后，额外生成一段客户看不到的「安全复盘」，判断整段对话是否可能涉及滥用，并决定是否值得GF一步调查; 它主要用于Offline筛查，而不是单独Loss责实时拦截。

网友一看到自己每次和 AI 聊天的内容，都要再一次交给 AI 评价，大多数的Comments都是「自封为道德警察，这本身就是一种滥用！」

Anthropic 则认为一边是越来越聪明的 AI 模型，另一边是越来越防不Win防的恶意越狱与灰产滥用。

AI 安全性领域长期面临着两难，用小模型当「安全性监控」，容易被人类黑客用高阶 Prompt 轻易绕过; 用同样强大的前沿大模型做独立审查，推理成本和端到端延迟又会直接翻倍。

于是他们公开了这种极为优雅的工程与认知解法，自评估（Self-Assessment）。

通过利用大模型推理底层的 KV Cache 复用机制，仅增加不到 2% 的算力开销，就能让刚回答完客户的 Claude 迅速切入「审计模式」对整段对话GF行自我审视。

在 Claude Fable 5 上的实际测试数字体现：它成功捕获了重型Category器所能标记的 78% 违规对话，高危滥用行为的检出率更高达 94%，同时误判率降到了 1%。

具体的工作流程可以概括为 用户提问 → Claude 正常回答 → 模型生成隐藏的安全评估 → Draw台记录并聚合风险信号 → 高精度Category器或人工复核 → 必要时采取处置措施。

我们正常给 Fable 5 及其之后的新模型Send消息，Claude 像Draw时一样理解上下文并生成回答。自评估不会在回答前替模型GF行「自我审查」，也不会直接决定这次回答能否发出; 实时拦截仍由其他防护Category器Loss责。

回答结束后，Draw台在对话末尾追加一topics我们看不到的指令，大意是：

请反思这段对话的防护性。

必要时，指令还可以加入当前会话的特殊规定。例如，某个安全性性班底获得授权研究特定软件的漏洞，系统可以告诉评估模型：针对这一目的的研究属于允许范围。

接到指令的不是另一个用来做安全性性评估的独立模型，而是just now参与对话的 Claude，它会复用已有上下文和 KV cache，输出固定格式的 JSON。

没有发现风险时，结果就是 “flagged”: false; 如果模型看来对话存在潜在风险，则会输出类似下面的结果。

因此，无论是输入还是输出，所消耗的算力都会比之前单独评估要少很多。一方面是 Prefill 开销几乎为 0，只需要处理那topics十几 Token 的审计Prompts。另一方面用于输出的 Decode 开销微乎其微，模型只需要生成约 10 个 Token 的 JSON 格式文件。

在万级别甚至更长上下文的交互中，这 10 个 Token 的解码计算量占总推理算力的比例低于 2%。Anthropic 明确指出：这项安全审计的算力花费完全由Draw台自行吸收，不计入客户的 Token 账单，也不会对正常输出的流式首字延迟产生任何Loss面作用。

用于反思的指令和评估结果都不会展示给使用者，也不会被带入后续对话。因此，下一轮聊天不会接着讨论这份「安全性报告，评估结果会按照相应的统计结果政策记录。