待验证50% 置信发布精确时间
Anthropic推出名为“自我评估”的安全技术，模型在生成回复后利用现有KV缓存进行隐藏安全评估，额外开销仅约10个Token和不到2%的额外推理算力。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/11/1
首次发现
有效期至：2027/1/30
来源
GPT-6.2与Gemini 4 Carbon集体泄露：AI巨头新一轮竞赛前瞻
bilibiliTHE_OREGANO2026/10/31
涉及实体
相关事实
待验证在生物医学推断和漏洞检测两个任务上，针对18个模型测试，best-of-10攻击对专有模型平均翻转正确回答的比例为54.9%，对开放权重模型达到80.0%。65% 相似待验证OpenAI防御工厂实测指标：动态验证将误报率压到1%以下，归属分配准确率约90%，修复回滚率低于1%64% 相似待验证评分方法为加权检测分数：清晰描述一个Bug得满分，仅提及得半分，遗漏不得分；独立AI Agent在不了解实验者评分的情况下对所有九份报告评分，差异不超过半分64% 相似待验证高风险AI系统部署中，低抽样率（如0.3%）使置信区间过宽，难以支撑系统性质量良好的声明，抽检覆盖率本身应作为可审计的监管指标64% 相似待验证一个在安全评估中得分更高的模型，可能同时在可读性上更差。63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1124438API
curl https://kongchang.com/api/v1/knowledge/claims/1124438MCP
get_claim(id=1124438)