已过期85% 置信事实时间未知

Anthropic使用自动分类器来判断Claude是否存在谄媚行为，该分类器基于大量人工标注的谄媚/非谄媚对话样本进行微调

1

来源数

85%

置信度

中期 (~90 天)

时效性

2026/6/1

首次发现

有效期至：2026/8/30(已过期)

来源

Claude谄媚问题深度解析：灵性话题谄媚率高达38%

rss

涉及实体

Anthropiccompany Claudemodel

相关事实

待验证Anthropic开发了自动分类器从四个维度判断AI是否存在谄媚行为：主动提出反对意见、坚持判断、赞扬与质量匹配、坦率表达真实评估80% 相似待验证Claude Code的对抗式验证模式通过派独立智能体充当「唱反调」角色，专门提出最强反对意见来消除自我偏好偏差63% 相似待验证依靠人工纪律进行代码审核不可靠，将审核做成系统自动触发比依赖人工纪律更有效60% 相似待验证Anthropic团队的Eric指出人们花大量精力编写提示却给模型提供极其简陋的工具是常见误区60% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/32798

API

curl https://kongchang.com/api/v1/knowledge/claims/32798

MCP

get_claim(id=32798)