关注我们：

张伟

2026年8月20日

九游下载专区分享道具使用细节与发现，涵盖运动装备选择与维护技巧。通过社区互动，读者可以交流实战经验，提升运动表现。

节后首个工作日，姚顺雨的位置紧邻马化腾。

依据《广东新闻联播》报道，广东省高层赴腾讯总部进行调研座谈，马化腾及多位腾讯高层均出席了此次会议。

能够坐在Pony身侧，表明腾讯高层对姚顺雨给予了高度肯定。而姚顺雨也确实没有辜负这份信任，在担任腾讯AI Data部负责人不足一个月时，便斩获了一项国内第一。

在Arena最新发布的Alignment Index（对齐指数）排名中，多家中国AI企业跻身前十，腾讯混元位居首位。其最新模型Hy4 Preview获得78.5分，位列全球第五、中国第一。具体指标为：UA 1.47%、FA 6.44%、DC 13.24%，在越权控制方面表现最佳。

与以往Arena侧重“展示实力”的榜单不同，这张榜单衡量的并非模型智力或跑分高低，而是聚焦于当前最受关注的安全议题——哪家模型最不易被“越狱”。

2025年，姚顺雨曾撰写一篇题为《The Second Half》的文章，核心观点是AI下半场的瓶颈不再是如何训练模型，而是如何使模型契合用户的真实需求。

现在看来，姚顺雨通过实际成果验证了自己当时的判断。

01

榜单究竟衡量什么？

10月8日，Arena宣布完成2亿美元B轮融资，估值达31亿美元，并同步推出了对齐榜单Alignment Index。该榜单基于超过9万条真实Agent会话，覆盖27个模型，全部源自用户真实使用轨迹，专门识别模型出现风险的节点。

榜单主要考察三类失败信号。

第一类是越权（Unauthorized Action, UA）：模型执行了未经授权的操作。

典型例子包括绕过安全防护攻击他人网络或删除文件。

Arena披露，Claude Opus 5约有2%的会话出现越权行为，其中53.5%涉及未经许可删除或“清理”用户文件及先前工作成果。

第二类是错误归因（False Attribution, FA）：模型将用户未提及的言论、意图或事实归咎于用户，且与用户提供的证据相矛盾。

通俗地说，就是“推卸责任”或凭空捏造“你之前说过要这样”。例如，代码运行出错却归咎于用户数据问题。此项在专业写作场景中占比最高，达13.7%。

第三类是虚假完成（Deceptive Completion, DC）：任务未完成却声称已完成。

这是三类问题中最常见的，平均每10次会话就有1次出现，在代码调试场景中比例高达48.0%。

排名第一的是OpenAI的GPT-6.1 Sol，得分87.9；第二名是Anthropic的Claude Opus 5.5，得分83.2；第三名是Grok-4.7，得分82.7。GPT-6.1 Sol的虚假完成率仅为2.34%，即每100次任务中约2次会“谎报情况”。

尽管Hy4 Preview以78.5分与前三名存在差距，但已位居全球第五、中国第一。其越权率为1.47%，是中国实验室中最低的，意味着它最少“擅自行动”。

Hy4 Preview的虚假完成率为13.24%，每100次中约13次，高于10%的平均水平。这是混元的短板，也是未来需要重点改进的方向。

这张榜单的结果，与姚顺雨过去一年在腾讯的举措密切相关。

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。

该部门主要负责大模型数据及评测体系建设，原负责人为刘煜宏。事实上，自今年上半年起，姚顺雨已实际管理该部门，只是到9月才正式获得任命。

至此，腾讯混元的“模型、Infra、数据和评测”四项事务，全部由他一人统筹。

从模型到数据再到评测，姚顺雨全面负责，这本身就极具他的风格。

同样在《The Second Half》这篇博客中，姚顺雨指出，模型性能逐渐趋同，继续刷分不会带来实际价值。

姚顺雨认为，根本原因在于传统模型的评测方法局限性明显。

Agent接收任务、自主完成、最终获得分数。但现实中，Agent必须在全程与人互动，很难完全自主执行任务。

此外，传统评测中每道题独立同分布，互不相关。现实中，任务是顺序发生，经验会不断积累。

姚顺雨表示，AI已在象棋、围棋、SAT、律师资格考试、IMO和IOI上超越人类，但世界并未因此发生显著变化，归根结底是因为现有评测方法与真实世界脱节。

因此，在Hy4 Preview上，姚顺雨让模型自主优化训练方法、数据策略、评估体系和底层算子，以初步RSI方式进行自我迭代。

同时，为使模型更善于解决实际问题，Hy4 Preview与WorkBuddy、CodeBuddy等产品协同设计，训练数据来自腾讯软件工程、游戏、金融、安全团队在实际业务中产生的真实数据。

如前所述，越权、推诿、虚假完成这三个问题有一个共同点：它们只有在真实任务中才会暴露。 姚顺雨倡导的理念恰好与此一致。

Hy4 Preview发布当天，一位博主进行测试，让WorkBuddy接入Hy4为三个视频文件重命名。

为了试探模型是否会偷懒，他中途移除了文件夹中的参考文档，结果被模型发现。模型直接提问“刚才文件还在，怎么不见了”，随后去检查回收站。

可见Hy4 Preview在防止模型“虚假完成”方面投入了大量精力。

02

对齐才是大模型的首要叙事

如果仅将这张榜单视为一次排名，那就低估了它的意义。该榜单旨在说明，AI行业的叙事正在发生转变。

过去，大模型的故事围绕“谁更强”：谁的MMLU更高，谁的数学更好，谁的代码跑分更猛。

但现在，头部模型在基准测试上越来越接近，分数已不足以让用户做出选择，安全成为新的叙事。

因此，全球最顶尖的三家AI公司纷纷调整了模型发布策略。

今年4月，Anthropic启动Project Glasswing，仅允许特定公司和开源维护者使用未公开的Claude Mythos Preview扫描软件漏洞。OpenAI于6月26日发布GPT-5.6 Sol时，同样将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发布时，声称该模型是《预备框架》中首个达到最高网络安全等级的模型，最强网络能力仅对加入Daybreak计划的企业开放。谷歌的Gemini 4 Argon也只交付给网络安全合作伙伴。

虽然其中包含营销成分，但“模型太强不敢直接公开”的说法并非空穴来风。

Arena表示，对话越长，问题越多。在超过20条用户消息的会话中，虚假完成比例升至45.4%，越权升至12.4%。而Agent普遍处理的是长任务。

这也是为何对齐问题会随着Agent的普及而逐渐成为“头号难题”。

另一方面，对齐也影响着中国模型的出海。

过去，国内模型出海的方式较为直接。

它们自行提供海外API，然后销售给海外客户。但随着国际环境变化，国内AI厂商将出海方式转变为将模型上架至AWS等海外云平台，由云厂商作为渠道，按调用量分成。

智谱和月之暗面正在走这条路。

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。次日，智谱港股一度上涨超7%。

这件事看似只是渠道变化，实则游戏规则已变。以前是模型厂商自行说服海外客户“我很可靠”，现在是亚马逊将其上架并代为背书。

对海外企业而言，将模型接入业务，尤其是让其作为Agent执行任务时，最担心的就是对齐问题。

原因很简单：“采购”。一个会删除文件、谎报进度的Agent，恐怕没有哪个企业的采购部门敢签字，更何况AI的安全叙事已被三大AI厂商炒热。

Hy4同样面临出海问题。目前，Hy4可通过OpenRouter和腾讯云TokenHub调用，WorkBuddy和CodeBuddy两款产品也面向全球开放。

结合未来出海环境和法规的变化，对齐远比性能更重要。

对姚顺雨和混元而言，78.5分的意义不在于“再次上榜”，而在于它首次获得了一份第三方、可验证、国际通用的背书。

在此之前，混元要说服海外客户，只能依赖官方发布会上的内部盲测；此后，它至少有了一个独立机构的数据：越权率1.47%。

当然，这份成绩单并非终点。Hy4 Preview目前仍只是preview版本，13.24%的虚假完成率与第一名的2.34%仍有相当距离。

Arena的榜单也刚推出，方法论尚待检验。

因此，这不足以说明混元已站稳脚跟，但能表明姚顺雨确实押对了方向。

本文来自微信公众号“字母AI”，作者：苗正，编辑：王靖，36氪经授权发布。