待验证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
来源
涉及实体
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% 相似待验证题目以反向描述（走神、无意识行为）为主，测的是'缺乏觉知'的频率再反转计分，对正念初学者来说语义直观易懂，但对高阶练习者区分度有限62% 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/32798API
curl https://kongchang.com/api/v1/knowledge/claims/32798MCP
get_claim(id=32798)