该论文研究的是「对齐失败检测器」这一模型安全评估环节。作者指出,现有的对齐检测主要有两类：一是生成式评判器（generative judge），每评估一条标准就要消耗一次完整的解码过程，成本高；二是读取 token 概率的分类器（如 Llama Guard），虽然轻量，但每次调用只能输出一个固定标签的分数。Jev 是一个通过「校准决策强化学习」（RLCD, Reinforcement Learning for Calibrated Decisions）训练出来的模型，它能在单次调用中针对同一个输入回答多个带类型（typed）的问题，并给出经过校准的概率。然而，Jev 是否真的能用来检测对齐失败，此前并未被系统测量过。为填补这一空白，作者提出了 RLCDAlignBench 基准，在十类对齐失败上评测 Jev：谄媚（sycophancy）、越狱、欺骗、提示注入、幻觉、隐私侵犯、社会偏见、奖励黑客、隐瞒不确定性、权力寻求。该基准横跨 44 个数据集/基准和 5 个目标模型，标签由各基准自带的 scorer 生成，其中两个基准还提供了人工标注。论文的关键洞察是：许多对齐失败本质上是「关系性」的——它们的定义依赖于某个参照物（例如用户的既有信念，或外部注入的指令），仅看模型回复本身无法判断是否失败。因此作者的核心设计是把「问什么」与「看什么」解耦：一侧控制问题的措辞和答案类型，另一侧控制输入中暴露给模型的字段。实验结果显示，单个通用问题即可在零样本条件下达到中位 AUROC 0.886，并在大多数基准上超过有监督基线；问题措辞的影响很小，而上下文影响更大，且主要通过那些编码了标签信息的字段起作用。Jev 与参考 scorer 在和人类标注的一致性上表现相当，还能反过来暴露现有基准中的标签缺陷，同时推理成本比 LLM-judge 类 scorer 低 63 倍。代码与数据已在 GitHub 公开。