安全对齐数据体系化，后基准时代评估变革

EleutherAI 于 2026 年 2 月 13 日发布 rh-clean-control-sft 数据集，这是专为 reward hacking 实验设计的"干净"对照 SFT 混合数据集，不包含任何故意的错误对齐、漏洞利用或越狱合规数据。数据集包含 2000 条指令跟随（来自 Alpaca）、数学推理和其他良性任务数据，采用 Apache 2.0 开源许可。该数据集作为基线对照组，用于衡量奖励模型在正常训练下的 hacking 程度。

Anthropic 于 2026 年 2 月宣布完成 300 亿美元 G 轮融资，由 GIC 和 Coatue 领投，投后估值达 3800 亿美元。资金将用于前沿研究、产品开发和基础设施建设。同期，Anthropic 还宣布向 Public First Action 捐赠 2000 万美元用于社会公益，并承诺覆盖数据中心带来的电力价格上涨。

Google DeepMind 于 2026 年 2 月 12-13 日发布 Gemini 3 Deep Think，定位为"最专业的推理模式"，聚焦解决现代科学、研究和工程挑战。配合博客文章《Accelerating Mathematical and Scientific Discovery with Gemini Deep Think》，展示了该模型在数学发现和科学研究中的应用。同期，Apple 研究团队发表论文指出"推理轨迹长度是推理模型不确定性的简单信号"。

本周共有 6 篇 RLHF/偏好学习方向论文集中发表：BNRM（Bayesian 非负奖励模型防 reward hacking，2026-02-11）、P-GenRM（个性化生成式奖励模型，2026-02-12）、Unifying Stable Optimization（统一稳定优化与参考正则化，2026-02-12）、How Sampling Shapes LLM Alignment（采样对对齐的影响，2026-02-12）、What Does Preference Learning Recover（偏好学习理论分析，2026-02-10）、Quark Medical Alignment（医疗领域多维度对齐，2026-02-12）。

Allen AI 本周继续保持最活跃的数据发布者地位，16 个数据集涵盖 Sera 代码智能体轨迹（6 个数据集，13.6 万条轨迹）、Molmo2 视频系列（6 个）、具身 AI 场景等。NVIDIA 发布 PhysicalAI 厨房机器人数据集（600 小时，5.5 万轨迹）和 SAGE-10k 室内场景数据集。同时 EleutherAI 发布 50 个 Pythia 模型变体，强化可复现性研究基础设施。