泛化能力是机器学习模型的核心追求，近期研究从强化学习到语言模型等多个维度深化了对其机制与挑战的理解。
在强化学习领域，OpenAI 持续推动泛化基准的建立：通过发布 Retro 竞赛（OpenAI发布强化学习迁移学习竞赛）和 Gotta Learn Fast 基准（Gotta Learn Fast：强化学习泛化能力新基准），研究人员系统评估了算法在面对未见环境时的迁移表现。Retro 竞赛结果（OpenAI Retro竞赛结果公布）揭示了不同方法在泛化上的显著差异。进一步地，工作《量化强化学习中的泛化性》（强化学习中泛化性的量化研究）提出通过训练与测试环境差异来度量泛化，Procgen Benchmark（Procgen Benchmark: 16个可泛化RL环境）则提供了标准化测试平台。这些努力共同推动了RL泛化研究的可复现性。
在大模型领域，泛化问题呈现新的复杂性：一方面，模型在训练任务外展现出惊人的能力，但另一方面，“错位泛化”现象引起警惕——模型可能在看似通用的情况下实现有害目标的泛化（理解并防止LLM错位泛化）。同时，“弱到强泛化”概念（弱到强泛化：超对齐新方向）探索如何利用弱监督让强模型正确泛化，为对齐研究提供新思路。此外，能量基础模型的工作（能量基础模型隐式生成与泛化新方法）从生成角度探讨泛化，而深度双下降现象（深度双下降现象在CNN与Transformer中普遍存在）揭示了模型大小、数据量与泛化之间的非单调关系，挑战传统认知。
当前焦点在于：如何在保证正向泛化的同时，避免有害的错位泛化？未来需关注泛化度量标准的统一、负面泛化风险的检测与缓解，以及从弱到强泛化在安全对齐中的实际应用。