Anthropic用探针读内部激活引发可解释性讨论

Anthropic发布Constitutional Classifiers++：以约1%算力开销对抗通用越狱

Anthropic于2026年1月9日发布研究文章与论文，推出“Next-generation Constitutional Classifiers”（又称Constitutional Classifiers++），用于提升大模型对“通用越狱”攻击的防护效率。官方称，新系统在生产环境部署中将额外算力...