安全拦截率上涨,常被当成模型安全变好的直接证据。但如果分类器把合法用户也挡在门外,线上体验和产品可用性就会一起下降。最近 Anthropic 公开讨论了针对模型能力蒸馏的防护:其早期证据显示,相关措施