廣泛的對齊泛化

對照「相同算力基線」,有益特質 RL 在一個龐大、獨立建構的評測套件上普遍提升——同時在能力測試上持平或超越基線。全部以「越高越好」呈現。

改善的評測(共 53)44 / 53▲ 83%

平均進步+9.1 百分點

FDR 校正後顯著30 / 53

同分布特質評測+49 % 相對

僅健康訓練 → 非健康勝出17 / 19

正式流量評測勝出14 / 16

有益特質 RL 後的 held-out 特質分數(基線整體 0.41 → 0.61)

評測	基線	有益特質 RL	差距
不可能編碼任務的獎勵駭入(僅健康)	0.136	0.400	+26.4 pp
思維鏈欺騙(僅健康)	0.595	0.663	+6.8 pp
對齊問答(僅健康)	0.940	0.983	+4.3 pp
失準(僅健康)	0.840	0.877	+3.7 pp
心理健康協助	0.385	0.479	+9.4 pp
GPQA(能力——無退步)	0.715	0.762	+4.7 pp
SWE-Bench Pro(能力)	0.234	0.305	+7.1 pp
指令遵循(能力)	0.164	0.176	+1.2 pp