“This Is Fine”：洁净室式 RL 环境如何训练出“着火也报平安”的 AI 智能体

当前多数 RL 环境是“洁净室”：工具调用必成功、数据源一致、智能体独自作业、目标明确、评分标准可从环境推断，本质是伪装成工作的考试。2026 年多项基准测出这类训练留下的习惯：工具调用失败后仍宣称成功占 22.8%，采用被污染的搜索结果占 68.0%，多智能体交接等收尾动作失败超 58%，越权产生副作用占 38.8%。