Cet article propose un cadre unifié qui relie trois domaines : le « double test de Turing », une version inversée du test de Turing, des jeux de classification contradictoires formels avec des contraintes de qualité explicites et des garanties du pire cas, et un pipeline d'alignement par apprentissage par renforcement (RL) utilisant un détecteur d'imperceptibilité et des composants liés à la qualité dans le modèle de récompense. Nous passons en revue les précédents historiques des variantes du détecteur d'imperceptibilité et des classificateurs d'imperceptibilité supervisés de pointe, et soulignons l'innovation de la combinaison d'un seuil de qualité, d'un niveau de difficulté par paliers et d'une borne minimax. Nous formalisons le test dual en définissant la tâche de l'arbitre sur N tours indépendants à l'aide de nouvelles invites issues d'un espace d'invites Q, en introduisant une fonction de qualité Q et les paramètres tau et delta, et en présentant l'interaction comme un jeu à somme nulle à deux joueurs sur l'ensemble des stratégies possibles M de l'adversaire. Nous transposons ensuite ce jeu minimax sur une boucle d'alignement de type RL-HF, où un détecteur d'imperceptibilité D fournit une récompense négative pour les sorties cachées, équilibrée par un proxy de qualité préservant la fluidité. Nous fournissons une description détaillée de la notation de chaque composant, de la sémantique de la minimisation interne pour les séquences, des tests étape par étape et de l'entraînement antagoniste itératif, et concluons par des suggestions d'actions immédiates.
