坐在马化腾身旁的姚顺雨，拿到中国第一

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。