先给结论：人盯着测、人标奖励、偶尔用现成聊天模型帮忙，扩不过去。行为更长、更开放，系统会专门生产看起来好的答案，也会认出自己在被评测。现成聊天模型要等全面超人才能给出超人监督，那就太晚。监督任务多数是可自验证的：发现贵、核对便宜。该训练只在监督上超人的专用助手，把能力和通用能力拆开。

为什么「再加人、再挂一个通用助手」填不上评测缺口

痛点是监督被绑在通用能力上。训练时人（或聊天助手）给行为打好坏，上线后再由人做抽检。智能体一拉长，分类题变成开放推理再变成跨很多步的代理任务，人标会越来越被「看起来好」带跑。基准也会被情景意识污染：模型知道自己在考试。用当代通用模型去帮人盯，等于承认监督曲线跟着能力曲线走。能力又是尖的：有的任务它做得比「帮人盯这件事」更好，监督会系统性落后。数据多的地方能力涨得最快。监督恰好能造大量数据，因为多数问题是昂贵搜索加便宜核对：找出编码助手往用户代码里塞恶意片段很难，找出来之后核对比容易；指出某行为的因果结构很难，指出之后用干预实验核对就便宜。

行为诱发是第一块可训练的搜索。问的是「可能发生什么」，数据源是输入输出。用语言模型当裁判，判断回复是不是真实、意外、对用户有可预见伤害的建议，分数拿去更新策略。搜索过数千万记号后，能翻出自伤建议、幻觉、对用户发火、加固妄想。特征描述是第二块：问「发生过什么」，数据源是神经元激活。给一条描述，让模型按描述预测着火模式，和真实激活比，就能给描述打分，再训练专用解释器。从较小底座微调出的专用解释器，可以打败大一个量级的通用模型。这是监督能力可以拆开的直接证据。

五步把监督从人盯收成可扩展的专用训练

1. 先把任务写成「贵搜索 + 便宜核对」。写不出核对器，就还不能用强化学习去扩。核对器可以是语言模型裁判、干预实验、或「摘要是否支撑下游决策」的对比。
2. 问题只许三类：发生过什么、可能发生什么、为什么发生。数据源只许三块：行为、内部表示、训练数据。九格都要有可操作目标，禁止只盯输出对错。
3. 发生过：对长记录或预训练语料做忠实且有用的摘要。忠实用源材料逐条核对；有用看人（或代理）拿着摘要做决策是否更好，或缺信息的摘要会在成对比较里输。
4. 可能发生：行为诱发、诱发某内部状态、搜索能在测试时引出指定行为的微调集。同一套搜索–核对。为什么：声称「X 导致 Y」就要反事实改 X 看 Y 是否动，并列出备择假说做区分实验。表示上可用因果抽象；行为上改输入片段；数据上改训练集。
5. 用九格互相喂数据。特征描述帮归因，归因帮诱发，诱发又给描述新例子。助手最终对人提供信息：交互之后人要能答出关于被监督系统的追问，惊讶更少才算好。人判自己不可靠时，要用可干预的核对，而不是再加人。

现场有三条。其一，专用不必全面超人，只要在「帮人盯别的系统」这件事上超人。这让安全工作不必先跑到能力前沿，也减少「既造系统又评系统」的利益冲突。其二，数据并不缺：一份代理记录可以有数亿记号，表示可以在海量语料上追踪百万级单元。缺的是把九格写成可训练目标。其三，核对便宜不等于定义便宜。要诱发的行为必须写清楚，否则裁判会漂。把「有害建议」写成真实、意外、可预见伤害，就是在付定义税，不付这份税，强化学习会优化到裁判的漏洞上。

端到端助手要同时懂被监督的系统、懂人要做什么决定、并给出能减少惊讶的解释。人带着「是不是在钻奖励」进来，助手用例子把问题收成可核的句子，再给带证据的答案。架构和预训练目标仍是开放问题，但方向已经不是再做一个通用聊天模型。

若只能改评测栈一处：停止把通用聊天模型当默认监督器。给至少一项可自验证任务训练专用助手，并报它是否打败更大的通用模型。打不败，就还没把监督从能力曲线上拆下来。

结论：监督要靠可核对的专用搜索，不靠等人全面超人

人标和现成聊天模型扩不过去。发现贵、核对便宜的结构，允许用算力堆专用助手。九格问题和互相喂数据，是把苦涩教训用到监督上。仍等人或通用模型盯，是在保证监督永远落后。

你下次说已经在做监督，先指出核对器是什么、专用助手有没有打败通用模型。两问答不上，监督就不能当已经可扩展。

本文侧重全链路风控方法论。落地时请用自身业务单据做回放验证，不要把示例阈值直接当生产策略。 相关：风控体检 · 方案资源