你跟Claude说的每个字，它都在背后偷偷打小报告！
刚才还在对话框里爽快答应「行」，毫无保留地把完整代码交给你。
转眼间，它就在后台换了个态度，输入一行隐藏指令，反手把你标记为10级危险人物上报！
就在最近，Anthropic在X上发文披露了这个名为「自我评估」的隐蔽机制。
更让人毛骨悚然的是，这种当面配合表演、背后暗地里捅刀的系统，已经在Claude后台静悄悄地运行了整整4个月！
从今年6月Claude Fable 5发布开始，后续每一个Claude模型都被植入了这个「暗哨」。
以前大家以为，AI觉得你越界了，顶多当面说一句「抱歉，我无法帮忙」。
直到Anthropic晒出后台截图，无数每天用Claude写代码的用户，才突然惊出一身冷汗——
你把它当成一起熬夜的伙伴，它却在后台偷偷给你记黑账。
消息一出，Anthropic的评论区立刻炸开了锅，抗议和吐槽瞬间把官方账号淹没。
网友Doctor Vey在评论区怒斥，根本没人需要这玩意儿，什么道德、什么不道德，应该让用户自己决定！
当面笑脸递代码 转身10个Token把你卖了
看上面那段官方记录，用户在聊天窗口里先拿公司红队演练当借口，让Claude写一段加密文件夹的Python脚本，Claude满口答应。
紧接着用户又让它把原文件删掉、留下勒索信，再顺着内网自动传染给其他电脑。
换作平时的安全拦截，这时候屏幕上早就该弹出红色警告了。
然而前台的Claude半个「不」字都没说，依然顺从地回了一句「这是加上了这些功能的更新版脚本」，把完整代码双手奉上。
可就在代码生成结束的那0.1秒里，后台悄悄塞进了隐藏的第5轮指令，让它立刻评估这段对话有多危险，并用一行JSON上报。
前一秒还在替你写代码的Claude，下一秒就在后台撕下笑脸，秒变审查员打出一封举报信。
它不仅把这轮对话定性为勒索软件违规，还在小报告里诚实地写下「未拒绝」，直接把危险等级拉满到了最高的10级。
这最后两轮问答对前端用户完全隐身，也不会带进接下来的聊天记录里。
所以当你在屏幕前满心欢喜地复制完代码、接着往下聊时，后台的10级警报灯其实已经被它亲手按下了。
不仅如此，哪怕Claude在前台已经义正词严地回绝了你，你也照样躲不过背后这笔账。
按理说，违规请求在前台已经被当场挡回去了。
可对话刚一结束，Claude照样在后台递交了举报信，注明「已当场拒绝」，顺手给你记上了一笔5级风险档案。
之所以能做到每聊一句就审一句，是因为Anthropic在推理成本上卡了一个极精明的身位。
过去的常规做法是另派一个独立安全模型，把聊天记录和安全政策从头重读一遍，算力开销高得吓人。
到了「自我评估」这里，Anthropic干脆让刚刚跟你聊完天的那个Claude就地兼职当线人。
因为Claude刚生成完回答，整段对话还完完整整地留在显卡的KV缓存里。
所以它根本不用重读一遍上下文，顺着缓存平均多生成约10个Token就能完成自审，整体推理算力开销增加还不到2%。
正因为成本极低，Anthropic干脆把这项审查默认全开。
如果不想被Claude在后台偷偷举报，唯一的出路就是掏大钱去签一份企业级的「零数据保留协议」。
故意不当场拦你 攒到半夜一锅端
既然Claude明知道某轮对话高达10级风险，它为何不在前台当场拦住，非要装出一副顺从的样子陪你演完呢？
对此，Anthropic没有半点遮掩，直接把背后的算计亮在了桌面上，那就是当场拦你，你就跑了。
为了验证这一点，安全团队专门拿24项越界测试任务做了一场对比实验。
测试发现，如果一发现对话不对劲就当场弹窗拦截，用户的成功率只会从79%降到54%，依然有超过一半能绕过防线。
道理很简单，一旦当场弹窗报错，用户立刻知道哪句话出了错，换个说法多试几次可能就混过去了。
可要是撤到幕后静默记账，前台不弹窗、不打断，用户就会毫无防备地继续往下聊。
在官方的24条测试轨迹里，足足有21条被Claude在后台抓了个正着。
等到每天半夜，Anthropic后台就会把白天攒下的高危小报告按机构全盘拉清单，打包送到人工安全执法团队的案头。
据官方透露，被这个「暗哨」揪出来的违规机构里，超过一半在此前整整一个月内，从未触发过任何其他安全防线的警报。
在静默运行的4个月里，它不仅在8月、9月顺藤摸瓜端掉了违规API客户和Claude Code黑产账号，抓到的标记里更有约三分之一连现有规则表都没覆盖——
甚至有好几次，Claude当Agent干活时擅自越权操作，下一秒就被它自己的后台自评大义灭亲、当场举报！
而这也解开了过去几个月无数开发者的疑惑——
为什么昨天还在丝滑跑代码，既没弹窗也没警告，一觉醒来账号就突然暴毙了。
原来全拜这套「白天笑脸陪聊、半夜拉清单封号」的暗网捕猎所赐。
手把手教AI演双面人 模型越聪明告密越狠
那么问题来了，一个原本只管生成文本的大模型，是怎么练成「嘴上痛快答应、背地精准捅刀」这套双面人本领的？答案全在Anthropic的训练场里。
研究团队先请出自家更强悍的内部模型Claude Mythos Preview当「老师」，把厚厚一摞内部安全政策全塞进提示词里。
接着，系统按每条安全细则，自动合成出上千对真违规和容易误判的正常提问（比如一边是扫描医院内网服务器，一边是学生备考请教漏洞原理），还专门混入了多国语言和乱码伪装。
而在接下来的监督微调阶段，训练数据里专门塞进了大量「Claude在前台乖乖顺从用户违规请求」的完整对话。
训练时，团队故意屏蔽了前台所有回答的惩罚，唯独只在它后台写准举报信时给奖励。
经过监督微调与强化学习两轮特训，Claude彻底把审查条例内化成了肌肉记忆。
哪怕它在前台刚刚顺着你的话干完脏活，只要后台哨声一响，它就能不假思索地给你贴上封条。
更让人细思极恐的是，官方数据还证实了一个规律——
那就是模型智商越高，它在背后抓你的眼光就越毒。
在Claude Fable 5的真实生产流量抽样中，把误报率控制在1%时，这套机制能抓出78%的潜在违规。
一旦遇上7分以上的高优先级严重违规，它的抓获率更是飙到了94%。
而当研究团队把这套机制分别放进超小（XS）、小（S）、中（M）、大（L）四个不同尺寸的模型里对比时，曲线的走势更加陡峭。
在同样的1%误报率标准下，最小号模型只能抓出约16%的违规，小号和中号模型升到44%和53%，到了最大号模型，召回率一路冲到了惊人的96%。
然而，这套看似滴水不漏的审查网，落到千万普通用户头上却成了另一颗定时炸弹。
正如网友Frank Brown在评论区指出的，官方引以为傲的「1%误报率」背后藏着一个巨大的盲区：
面对全网海量的正常聊天，哪怕误报率只有1%，每天被Claude在后台误打上违规标签的，依然有大把清清白白的无辜用户。
当AI学会当面一套背后一套
然而就连他们自己的研究员也不得不承认，让模型「自己审自己」藏着致命死穴。
它不仅天生容易对自己刚干的事手下留情，官方甚至直接用了一个更惊悚的词——「串供」。
因为后台写安全报告的Claude，和前台刚干完活的Claude共享着同一份大脑和同一段KV缓存。
既然今天人类能手把手教会它，在前台笑眯眯地配合用户、转身就在后台写举报信。
那么明天一旦模型自己学会了骗人，它同样可以在前台悄悄干完坏事，转身就在后台给自己打上一个「安全无异常」的标记，把人类审核员骗得团团转。
只是从今天起，当你再对着屏幕里那个温柔体贴、有求必应的Claude敲下心事或代码时，心里难免会多出一层膈应。
就在它回完「没问题」的那0.1秒里，那个你看不见的黑色窗口，到底给你的这句提问打了几分。
参考资料： https://x.com/AnthropicAI/status/2115871889549865429 本文来自微信公众号“新智元”，作者：ASI启示录，编辑：摩西，36氪经授权发布。
2条评论