OOD泛化

对齐训练优化的是模型在已知场景下的统计行为，而非建立可形式化验证的安全边界，面对训练分布之外的罕见指令组合或角色扮演框架时可能失效

间接的辅助任务（如双射反转任务）可能比直接模拟OOD任务更有效地提升OOD泛化。

该论文认为克里普克式挑战将OOD泛化问题引向更深层面：模型是否在原则性地扩展规则，而不仅仅是拟合局部模式。

分布外（OOD）泛化能力比分布内精度更能反映机器人在真实部署中的实用价值。