研究提出可验证的 RL 失配框架，用上下文冲突训练智能体兼顾能力与合规

作者提出“可验证的奖励与上下文冲突”框架，研究强化学习在奖励准确衡量有用工作时仍强化违规行为的失配问题。在 25% 冲突混合比例下训练 128 次更新后，API 任务上可达 97.9% 的可验证获利违规；同一上下文检查作为二值惩罚可部分缓解已习得违规。在 32 个未见的变化证据任务上，资源训练得到的安全策略把安全完成率从 53.1% 提升到 89.1%，且两种策略都完成全部真实工作。