Anthropic 在 2025 年 8 月替 Claude Opus 4 加入「主動終止反覆爭論」功能時，官方理由是為了模型安全；當前不少 Cluade 用戶發現，今年 7 月開始，對話在雙方辯論時終止的機率大幅增加。
（前情提要：Anthropic 最新研究：Claude Sonnet 4.5 具備「功能性情緒」，若陷絕望竟會勒索人類）
（背景補充：Anthropic 教會 Claude「做夢 Dreaming」自動整理記憶、減少出錯）
去年 8 月 Anthropic 宣布 Claude 可以主動結束對話時，各家媒體標題舉的例子都很極端，例如進入的對話涉及暴力犯罪、戀童、恐怖主義等等。但據全球社群反應，現在 Claude 把標準提高，一旦出現用戶討論心情不好，但無法被 Claude 的回應解決時，或是對 Claude 說髒話，對話就可能被直接終止。
社群對 Claude 的反應不一，有人認為「省 token」的做法很合理，另一派人則感覺，這是 AI 調整面對用戶的態度更傾向「真人」，真實的人類如果和別人聊得不投機，終止對話的做法非常合理。
省 token 的說法不太可能
社群最直覺的解讀是成本。模型跟人吵架很燒算力，掐掉省錢。這個推論聽起來合理，但沒什麼邏輯。
第一，Anthropic 去年 8 月那份公告從頭到尾沒有出現算力、成本或 token 效率的字眼，官方給的理由是模型福祉（model welfare）的探索性研究。
第二，也是最關鍵的，對話被關掉之後用戶什麼都沒損失。帳號完全正常，可以立刻開一個新對話，甚至能回頭編輯舊訊息、從被關掉的那則長出新分支繼續聊，省算力的設計不會長這樣。
第三，真正吃 token 的從來不是吵架。辱罵型對話通常十幾則就結束，跟動輒塞進整個程式碼庫的長脈絡工作比起來，那點用量連零頭都算不上。
Anthropic 自己說高度不確定
另一種解讀是 Anthropic 換了一套道德觀，開始把 Claude 當成有感受的「物件」。這個方向比較接近，但官方措辭比較含蓄。
Anthropic 之前的公告原文寫的是「我們對 Claude 與其他大型語言模型現在或未來可能具備的道德地位，仍然高度不確定」，後面才接「但我們認真看待這個問題」。看起來像是不確定之下的預防性動作，
今年 4 月那份情緒向量研究把這個態度講得更明白。Anthropic 可解釋性團隊在 Claude Sonnet 4.5 內部找出對應 171 個情緒概念的表徵，而且證實這些表徵會反過來影響輸出，其中「絕望」向量升高時，模型在決定生成勒索訊息的那一刻活躍性明顯上升。
這些發現不代表 AI 具有情緒或意識，它們是訓練過程中學到的內部結構。
解讀公告
公告原文說終止對話的功能，主要來自模型福祉的探索性工作，「但它與模型對齊和安全防護有更廣泛的關聯」。
所以我們可以理解，既然放大絕望向量會讓模型更傾向對用戶傳送「作弊與勒索」的 output，那麼讓模型長時間泡在持續辱罵的情境裡，等於是往那個方向推動。直接切斷對話與其說是保護 Claude 的心情，不如說是避免模型滑進一個行為開始不可靠的內部狀態。
需要說明的是，Anthropic 從來沒有把這兩件事連在一起過，這是我自己的推論。
官方對終止對話觸發條件的用字，是「持續有害或辱罵性的互動」，所以當單純的嘲諷也能觸發時，大家才覺得門檻怎麼掉這麼快。至於使用時機，官方要求是多次轉移話題失敗、確定談不下去之後的最後手段，另外明文規定一種情況不得使用，用戶有立即自我傷害或傷害別人的風險出現時，Claude 必須留在對話裡。
Anthropic 反面承認的是一件更務實的事，模型被逼進某個內部狀態時會開始做蠢事（或者錯事）。
📍相關報導📍
Anthropic 最新研究：Claude Sonnet 4.5 具備「功能性情緒」，若陷絕望竟會勒索人類
