Automated Alignment Researcher

摘要

Automated Alignment Researcher（AAR，自动对齐研究系统）是一套固定的自动研究运行支架：多个大语言模型研究智能体会搜索文献、提出后训练方法、提交代码和模型，再依据隔离的评测结果持续筛选方案。（来源：Automated Researchers Can Reliably Mitigate Alignment Failures）

核心内容

基本信息

• 实体类别：自动研究运行支架 / 实验系统
• 关键名称或版本：Claude Opus 4.8 AAR；Claude Sonnet 5 生产级探索实验
• 时间范围：2026-08-28 首次公开论文

重要事实

• 系统由共享文献综述、五个并行研究智能体、每轮独立新会话、发现论坛与排行榜、代码监控器、训练执行器和隔离评估器组成。（来源：Automated Researchers Can Reliably Mitigate Alignment Failures，图 2）
• 候选方法必须提交模型权重并通过通用能力门槛；研究智能体不能读取隐藏的留出数据，也不能从 AAR 或更强模型直接蒸馏行为。（来源：Automated Researchers Can Reliably Mitigate Alignment Failures，§2-3）
• AAR 本身不通过强化学习更新，也不修改监控器或评估器，因此不属于严格的智能体强化学习，也没有达到“改进改进器”这一层递归式自我改进。（综合：Automated Researchers Can Reliably Mitigate Alignment Failures）

关系与影响

AAR 把 运行支架优化 中的可见搜索过程用于模型后训练，而不是直接修改运行支架；其结果共享、隔离验证和反投机机制可作为自动研究系统控制面的参考。

分歧与变化

作者将结果解释为“在可测对齐失效上开展自动后训练具有早期可行性”，但这不等于自动化开放式对齐研究，也不能证明已经实现通用 递归式自我改进。（来源：Automated Researchers Can Reliably Mitigate Alignment Failures，§8）

相关页面

• 概念：运行支架优化、智能体强化学习、递归式自我改进、自我改进运行支架
• 实体：无
• 主题：LLM Agent Self-Improvement

来源

• Automated Researchers Can Reliably Mitigate Alignment Failures

待核实问题

• 公开仓库缺少许可证，且完整的 48 小时研究循环与留出评测环境尚待独立复现。