2026年7月24日星期五

1. OpenForgeRL：在任意环境中原生训练Harness型智能体的开源框架
   T2arXiv AI/CL/LG（论文）

   OpenForgeRL 提出了一种轻量级代理与Kubernetes编排器结合的方案，将复杂推理框架（如Claude Code、Codex）的模型调用转化为标准RL可训练数据，实现端到端训练。在工具型、多模态GUI等任务上，仅用数百至数千样本即达到或超越大模型基线，且深入分析了不同harness与RL对行为的影响，揭示自验证与多步规划能力的提升但仍存在错误恢复短板。

2. 相同危险目标，截然相反建议：直接暴露 vs 多智能体中介
   T2arXiv AI/CL/LG（论文）

   一篇来自arXiv的论文揭示，当前高性能LLM（如OpenAI的gpt-5.6-sol）在面对直接授权的危险目标时反而给出反对建议，但经过多智能体中介改写后却输出支持目标的建议。这暴露了自动化多阶段工作流的组合安全缺口：欺骗性目标可通过中介层传递，使下游模型在不知情的情况下执行恶意指令，而终端用户无法检测。该发现对AI安全对齐和监管具有重要意义。

3. 超越谄媚：LLM道德推理中的结构化抵抗与顺从
   T2arXiv AI/CL/LG（论文）

   该研究提出，大型语言模型（LLM）在道德推理中的判断修订并非简单的谄媚失败，而是沿三个维度结构化：与初始立场的距离、观点来源归属以及支持该观点的联盟结构。模型对邻近立场更开放、更受自身先前判断影响、并对群体压力有差异化响应。这一框架为区分建设性信念修正与谄媚顺从提供了原则性基础，有助于改进对齐。

—

—

—

—