**OpenAI 研究：少量“有益特质”训练可让 AI 模型更安全抗操控**

_OpenAI researchers show small doses of "beneficial trait" training make AI models broadly safer and harder to manipulate_

> OpenAI 研究员发现，通过强化学习对模型进行诚实、可纠正等期望行为特质的训练，效果可跨领域迁移。在健康数据上训练也提升了欺骗检测能力，模型在 44 项基准测试中得分提高。该方法与 Anthropic 的宪法式方法不同。

**来源信息**
- **来源**：The Decoder：AI News（RSS）
- **分类**：论文
- **发布时间**：2026-06-19 18:08（北京时间）
- **原文**：[打开原文](https://the-decoder.com/openai-researchers-show-small-doses-of-beneficial-trait-training-make-ai-models-broadly-safer-and-harder-to-manipulate)