OpenAI提出两项互补可监控性指标

OpenAI 在 g-mean² 之外提出两个互补指标：配对匹配可监控性在共享任务实例上比较模型，减少不同模型有效样本子集差异带来的混淆；后控制风险指标模拟监控器拒绝输出后的部署场景，量化系统最终放行坏输出的概率。研究指出，对齐更好但可监控性更低的模型，在监控门控重采样下可能反而放行更多被接受的作弊行为。

OpenAI 在 Alignment 研究博客中为 g-mean² 补充 pair-matched 与 post-control 两个指标：前者只在多个模型共同支持的实例上比较可监控性，避免各模型有效任务子集不同带来的偏差；后者模拟监控器拒绝输出后的部署风险，衡量模型被监控门控后仍产出不良输出的概率。原文指出 g-mean² 不反映监控器作为部署控制手段的实际效果。