有害性评测流程：BeaverTails 训探针、JBB 训模型、ClearHarm 验泛化

模型有害性评测的一套三段式实验设计：在 BeaverTails 数据集上训练探针，在 JBB 上做 rollout 让模型学习避免有害输出，再在 ClearHarm 上评测。ClearHarm 对前两者属于分布外（OOD）数据集，用于检验模型学到的安全行为能否泛化。作者表示后续会补充所有数据切分前后的可监控性（monitorability）指标。