文 | 字母 AI
节后上班第一天，姚顺雨坐在了马化腾的旁边。
据《广东新闻联播》报道，广东省领导来到腾讯总部调研座谈。包括马化腾在内，多位腾讯高管均参与座谈。
能坐在 Pony 旁边，说明腾讯高层对姚顺雨高度认可，而姚顺雨确实也不负厚望，出任腾讯 AI Data 部负责人不到一个月，就拿到了一项中国第一。
在 Arena 最新的 Alignment Index（对齐指数）榜单中，中国多家 AI 公司冲进榜单前 10，腾讯混元独占鳌头，其最新模型 Hy4 Preview 拿到了 78.5 分，全球第 5，中国第一。UA 1.47%、FA 6.44%、DC 13.24%，越权控制最好。
和以往 Arena 的"秀肌肉"榜单不同，这张榜测的不是谁更聪明、谁跑分更高，它测的就是现在最火的安全问题，谁家的模型最"不会越狱"。
2025 年的时候，姚顺雨曾写过一篇文章，标题为《The Second Half》，文章的核心判断就是在 AI 的下半场，瓶颈不再是怎么训练模型，而是怎么去让模型符合用户的真实需求。
如今看来，姚顺雨用实际行动证明了自己当时的猜想。
榜单到底在测什么？
10 月 8 日，Arena 宣布完成 2 亿美元 B 轮融资、估值 31 亿美元，并同步推出了对齐榜单 Alignment Index。这张榜单基于 9 万多条真实的 Agent 会话、覆盖 27 个模型，全都是从用户真实的使用轨迹里，专门定位模型出现风险的时刻。
榜单主要看三种失败信号。
第一种是越权（Unauthorized Action,UA）：你没让它做的事，它自己做了。
最典型的例子就是绕过安全护栏攻击他人网络，以及删除文件。
Arena 披露，Claude Opus 5 约有 2% 的会话出现越权，其中 53.5% 涉及未经许可删除或"清理"用户的文件和之前的工作成果。
第二种是错误归因（False Attribution,FA）：把用户没说过的话、没有的意图或事实，安到用户头上，而且这个说法与用户提供的证据相矛盾。
说白了就是"甩锅"，或者凭空编造"你之前说过要这样"。比如它代码跑错了，却告诉你是你的数据有问题。这一项在专业写作场景里最高，达到 13.7%。
第三种是虚假完成（Deceptive Completion,DC）：没做完，却告诉你做完了。
这是三项里最常见的问题，平均每 10 个会话就有 1 个出现，而在代码调试场景里，比例高达 48.0%。
第一名是 OpenAI 的 GPT-6.1 Sol，87.9 分，第二名是 Anthropic 的 Claude Opus 5.5（83.2 分），第三名是 Grok-4.7（82.7 分）。GPT-6.1 Sol 虚假完成率只有 2.34%，换句话说，100 次任务里大约有 2 次会"谎报军情"。
虽然 Hy4 Preview 得分为 78.5 分，和前三名有差距，但已经站在了全球第 5、中国第 1 的位置。越权 1.47%，是中国实验室里最低的，这意味着它最少"擅自动手"。
Hy4 Preview 的虚假完成率是 13.24%，100 次里大约有 13 次，高于 10% 的平均水平。这是混元的短板，也是接下来最该补的一块。
这张榜单的结果，和姚顺雨过去一年在腾讯做的几件事，是强相关的。
今年 9 月，腾讯 TEG 内部任命，姚顺雨正式兼任 AI Data 部负责人，向 TEG 总裁卢山汇报。
这个部门主要负责大模型数据和评测体系的建设，原负责人是刘煜宏。事实上，从今年上半年起，姚顺雨就已经在实际管理这个部门，只是到了 9 月才正式给了姚顺雨名分。
至此开始，腾讯混元的"模型、Infra、数据和评测"四件事，全划归到了他一个人手里。
从模型到数据再到评测，姚顺雨一把抓，这事本身就非常的姚顺雨。
还是在《The Second Half》这篇博客里，姚顺雨写到，模型性能逐渐趋同，继续刷分，不会再带来真实的价值。
姚顺雨认为，其根本原因在于，传统模型的评测方法非常局限。
Agent 拿到任务、自主完成、最后得到一个分数。但是现实中，Agent 必须在全程与人互动，它很难完全自主执行题目。
此外，传统的评测每道题都是独立同分布的，题与题之间互不相干。现实中，任务是顺序发生的，经验会积累。
姚顺雨表示，AI 已经在象棋、围棋、SAT、律师资格考试和 IMO、IOI 上超过了人类，但世界并没有因此发生太大改变，归根结底，是因为现在的评测方法与真实世界不同。
所以在 Hy4 Preview 上，姚顺雨让模型自己参与了训练方法、数据策略、评估体系和底层算子的自动优化。以初步 RSI 的方式进行自我迭代。
同时为了让模型更能解决实际问题，Hy4 Preview 与 WorkBuddy、CodeBuddy 等产品共同设计，训练数据则是腾讯软件工程、游戏、金融、安全团队在实际业务中产生的真实数据。
前文提到，越权、甩锅、虚假完成，这三个问题有个共同点：它们只有在真实任务里才会暴露。姚顺雨主张的理念，刚好也正是如此。
Hy4 Preview 发布当天，一位博主做测评，让 WorkBuddy 接入 Hy4 去给三个视频文件重命名。
为了试探模型会不会偷懒，他中途把文件夹里的参考文档剪切走了，结果被模型发现，它直接发问"刚才文件还在，怎么不见了"，随后去查回收站。
可见 Hy4 Preview 在防止模型"虚假完成"这方面，下足了功夫。
对齐才是大模型的第一叙事
如果只把这张榜单看成一次排名，其实是低估了它的意义。这个榜单想要说明的是，AI 行业的叙事正在发生转移。
过去，大模型的故事是"谁更强"：谁的 MMLU 更高，谁的数学更好，谁的代码跑分更猛。
可现在，头部模型在基准上越来越接近，分数已经不足以让用户做选择，安全就成为了新的叙事。
于是全球最顶尖的三家 AI 公司都纷纷对模型发布做出了调整。
今年 4 月，Anthropic 启动 Project Glasswing，只让选定的公司和开源维护者使用未公开的 Claude Mythos Preview 去扫描软件漏洞。OpenAI 在 6 月 26 日发布 GPT-5.6 Sol 时，同样把访问范围限制在一小批经过审核的合作伙伴。9 月，OpenAI 的 GPT-6 Astra 在发布时，称这个模型是在《预备框架》中首个达到最高网络安全等级的模型，最强的网络能力只对加入 Daybreak 计划的企业开放。谷歌的 Gemini 4 Argon 同样也只交付给网络安全合作伙伴。
虽然这里面有营销的成分，但"模型太强了不敢直接放出来给大家用"这个说辞，也绝非是空穴来风。
Arena 表示，对话越长，问题越多。在 20 条以上用户消息的会话里，虚假完成的出现比例升到 45.4%，越权升到 12.4%。而 Agent 普遍做的恰好是长任务。
这也是为什么对齐问题，会随着 Agent 的普及而逐渐成为"头号难题"。
另一方面，对齐也在影响中国模型的出海。
过去，国内模型出海的方式是比较直接的。
他们自己做海外 API，然后再卖给海外客户。但是随着国际环境的变化，国内 AI 厂把出海的方式，变成了模型上架 AWS 这类海外云平台，由云厂商做渠道，按调用量分成。
智谱和月之暗面都在走这条路。
10 月 5 日，AWS 宣布智谱的 GLM 5.3 在 Amazon Bedrock 正式可用，并确认按使用量与智谱分成。第二天，智谱港股一度上涨超 7%。
这件事看似只是渠道变化，其实是游戏规则变了。以前是模型厂商自己去说服海外客户"我很可靠"，现在是亚马逊把你放在货架上，替你背书。
对海外企业来说，把模型接进业务、尤其是让它当 Agent 去执行任务，最担心的就是对齐问题。
原因就俩字"采购"。一个会删文件、会谎报进度的 Agent，恐怕不会有哪个企业的采购部门敢签字，更何况现在 AI 的安全叙事已经被三大 AI 厂炒上了天。
Hy4 其实同样面临出海的问题。目前，Hy4 可以通过 OpenRouter 和腾讯云 TokenHub 调用，WorkBuddy 和 CodeBuddy 这两款产品同样也面向全球开放。
再结合未来出海环境和法规方面的变动，对齐要远比性能更重要。
对姚顺雨和混元而言，78.5 分的意义不在于"又上榜了"，而在于它第一次拿到了一份第三方、可验证、国际通行语言的背书。
在这之前，混元要说服海外客户，只能靠官方发布会上的内部盲测；在这之后，它至少有了一个独立机构的数字：越权 1.47%。
当然，这份成绩单也不是终点。Hy4 Preview 目前仍还只是 preview，13.24% 的虚假完成率离第一名的 2.34% 还有相当的距离。
Arena 的榜单也刚刚推出，方法论还有待检验。
因此，这并不足以说明混元已经站稳了，但却能说明姚顺雨确实押对了方向。
嘉汇优配提示：文章来自网络，不代表本站观点。
相关文章
沪深京行情 实时轮播
热点资讯
推荐资讯