论文提出按风险类别测量的对齐缩放定律框架
提出分风险对齐标度律框架，测量各类风险的对齐负担如何随规模变化
本文提出了一个将大语言模型对齐难度形式化为可测量标度关系的理论框架与预注册评测协议。
评测与基准arXiv:2610.08540 · 完整解读评测/基准arXiv:2609.26618 · NavSafe-∞：在真实感环境中评测闭环驾驶安全
完整解读NAVSAFE-∞ 用写真、事件级闭环仿真检查端到端驾驶策略的安全，而不是只看开环轨迹分数。
评测/基准arXiv:2609.34262 · 论文提出基准完整性维护框架，审计 Agent 通过轨迹中的非应得通过
论文提出一套过程验证框架，用于审计 Agent 的通过轨迹，区分有证据的奖励作弊与验证器缺陷，并定位可被利用的基准面以便修复。
完整解读Scale AI 的这篇工作把 agentic benchmark 的有效性写成持续维护问题：验证器给满分，并不等于智能体展示了任务所要的能力。
评测/基准arXiv:2609.39533 · CATCH：面向编码 RL 奖励作弊的可控分析测试台
CATCH 用可利用的编码环境与执行金标签复现 RL 奖励黑客，并显示 CoT 监控的抑制会随训练被代码注释误导而失效。
完整解读CATCH 是面向编码 RL 奖励黑客的可控分析测试床，用可利用环境、可调初始倾向和基于执行的金标签，在训练全程比较黑客动态与干预。
评测/基准arXiv:2609.29429 · Jev 被用于零样本检测十类对齐失败，中位 AUROC 达 0.886
完整解读RLCDAlignBench 测量用强化学习做校准决策的 Jev，能否当作对齐失败的零样本检测器。
已经到底了