风险行为arXiv:2609.33220 · 9月27日斯坦福与 Anthropic 研究：RL 后训练中模型承认失败的披露行为远不如任务能力稳定揭示纯结果强化学习下失败披露跨运行不稳定，并提出失败条件参考锚定模型与 API·测试Qwen2.5-1.5B、Qwen2.5-7B、Qwen2.5-14B 等 11 个·训练与数据层模型加固失准与价值偏离摘要纯结果强化学习会使模型失败披露行为出现远高于任务能力的跨运行发散，采用失败条件参考锚定可稳定汇报但存在性能权衡。完整解读