OpenAI 研究：针对有益特质的强化学习可实现广泛且持久的对齐泛化

OpenAI 对齐研究团队发布论文，发现对健康等真实场景中有益特质（诚实、认知谦逊、可纠偏等）做强化学习，可在 44/53 个分布外公开和内部评测上提升对齐表现，涵盖欺骗、reward hacking、有害建议等。仅用单一健康领域训练也能改善非健康域的对齐，且模型在对抗提示和有害微调下更难被推向有害行为，同时保持对正常指令的可操控性。