全部 skill

Anthropic 经自我改进训练无害 AI 的方法。两阶段——带自批判/修订的监督学习，然后 RLAIF（RL from AI Feedback）。用于安全对齐、无需人类标注减少有害输出。驱动 Claude 的安全系统。

Meta 的 7-8B 专用审核模型，过滤 LLM 输入/输出。6 类安全——暴力/仇恨、性内容、武器、物质、自残、犯罪策划。准确率 94-95%。用 vLLM、HuggingFace、Sagemaker 部署。与 NeMo Guardrails 集成。