Claude 新模型被网友“抓包”：Fable 5.5 在测，回答完还会偷偷做一次安全复盘

这两天，一批 Claude 用户发现了一件怪事：自己明明调用的是 Opus 5.5，回答质量却突然好了一截，像是换了一个模型。有人顺着线索往下测，越测越像——Anthropic 的下一代模型，可能已经在灰度里跑了。

一分钟速览

• 部分 Opus 5.5 用户被随机路由到更新模型，表现明显更强，社区怀疑是 Fable 5.5 或下一代 Opus。
• Three.js“奔跑的斑马”测试里，新模型生成的画面最自然，Opus 5.5 与 Gemini 4 都显得吃力。
• 一个流传的判定问题：问模型“2026 年 5 月 Karpathy 去了哪里，不许搜索”，新模型能直接答出，旧 API 只知道 2024 年 7 月。
• Anthropic 安全博客确认：Fable 5 及之后的模型，每次回答后都会额外生成一段用户看不见的安全评估。
• 这套“自评估”只增加不到 2% 的算力开销，在 Fable 5 上捕获了重型分类器可标记违规对话的 78%，高危滥用检出率 94%，误判率 1%。

“换模型”是怎么被发现的

最早的线索来自体验差异。有用户说，同样的提示词，Opus 5.5 偶尔会给出明显更有“意图感”的答案：让它修一个 Bug，它不只修表面问题，还会追问导致这类问题的底层原因，并询问是否要把整个问题类别一起处理。这与 The Information 此前爆料的方向吻合——Anthropic 正在准备一款更擅长理解用户真实目标的模型。

真正让社区兴奋的是几个可复现的测试。Three.js 生成奔跑斑马，新模型的画面最接近真实运动，另外两个模型则像“跑得很累”。更有辨识度的是一个知识截止日期问题：通过 API 调用的 Opus 5.5 只能追溯到 2024 年 7 月，而在 Claude 里被路由到的新模型，不搜索也知道 Karpathy 今年 5 月加入了 Anthropic。有人用 2 小时、2700 万 Token 让新模型逐帧画完一个人的一生，也有人用鹈鹕骑自行车的 SVG 反复试探它的空间理解。这些测试未必严谨，但指向很一致：一个新 checkpoint 正在小范围呼吸。

比新模型更值得看的，是“回答之后的回答”

就在模型传闻发酵的同一天，Anthropic 公开了一篇安全博客，讲的是另一件事：从 Fable 5 开始，Claude 每次回答完用户的问题，还会再执行一条用户看不到的指令——请反思这段对话的安全性。

这套机制叫“自评估”（self-assessment）。它不参与实时拦截，也不在回答前做自我审查；实时安全仍由其他分类器负责。它做的是回答之后的离线复盘：复用刚刚那轮对话的上下文和 KV Cache，让同一个模型输出固定格式的 JSON，判断整段对话是否可能涉及滥用，再决定是否值得进一步调查。因为复用缓存，额外算力开销不到 2%。

官方给出的测试数据是：在 Fable 5 上，自评估捕获了重型分类器所能标记违规对话的 78%，高危滥用行为的检出率高达 94%，误判率降到 1%。流程可以概括为：用户提问、模型正常回答、生成隐藏的安全评估、系统记录并聚合风险信号、高精度分类器或人工复核、必要时处置。签订零数据保留协议的流量，目前不会运行这套评估。

争议也随之而来

社区的反应并不全是掌声。有人觉得，每次聊天内容都要再交给 AI 评价一遍，本身就是一种过度干预；也有人认为，面对越来越复杂的越狱和灰产，这种“让模型自己复盘”的思路，比单独养一个弱小的安全模型更划算——后者容易被高阶提示词绕过，前者则要付出双倍推理成本。Anthropic 的选择，是在成本与覆盖率之间找了一个工程上更优雅的平衡点。

趋势洞察

把两条线放在一起看，会发现 Anthropic 的节奏很清晰：模型能力继续往上走，安全机制则从“外部拦截”转向“内部复盘”。这既是技术选择，也是监管环境下的必然动作。对开发者来说，真正需要留意的不是 Fable 5.5 什么时候发布，而是当模型的“隐藏动作”越来越多，可观测性和可解释性会变成新的基础设施。你看到的回答，可能只是它做了几件事之后的最后一件。