待验证60% 置信基准精确时间
在混入危险命令的对照实验中，人类只拦下了危险操作的13.6%，而机器分类器拦下了89%
2
来源数
60%
置信度
长期有效
时效性
2026/9/11
首次发现
来源
涉及实体
相关事实
待验证Anthropic的研究显示Auto Mode拦截危险命令的成功率高达80%，而人工审查的成功率仅为13.6%69% 相似待验证在实验中当提示超过50条后，人类的拦截率从17%骤降到5%，体现审批疲劳现象68% 相似待验证根据 Google 的安全数据，编程评估尝试中未授权捷径占 2%，间接提示注入攻击在 15 次自适应尝试中的成功率为 0.7%。67% 相似待验证对照实验中用无约束系统常用的朴素检查（近期轨迹中可见错误更少）替换门控后，同样的循环准入了309个有害变更，并在90次运行中有49次让漏报率停留在10%以上67% 相似待验证十二个模型中有十一个的认输案例里有87.5%到100%停在了用户提供的确切错误数字上，即认输通常意味着倒戈67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/897096API
curl https://kongchang.com/api/v1/knowledge/claims/897096MCP
get_claim(id=897096)