腾讯混元AI安全评分中国第一，虚假完成率短板待补齐

节后上班第一天，腾讯AI Data部负责人姚顺雨列席广东省领导的调研座谈，坐在了马化腾的旁边。出任该职位不到一个月，他就交出了一份沉甸甸的成绩单：在第三方机构Arena最新推出的Alignment Index（对齐指数）榜单中，腾讯混元Hy4 Preview以78．5分斩获中国第一、全球第五。

这张榜单与以往的跑分赛截然不同——它测的不是数学解题能力或代码编写速度，而是大模型在面对真实用户指令时的“防越狱”能力。随着各大企业开始大规模引入AI Agent（智能体）深入业务流，模型会不会乱删文件、会不会把用户没做过的事硬安给用户、会不会没做完任务却谎称已完成，成了决定企业敢不敢花钱买单的核心门槛。

9万条真实交互里的生死线

传统大模型的评测往往像是在做标准化试卷：题目互不关联，答完就给分。然而现实中的AI使用过程是一个漫长的互动链条。在长达20条以上消息的会话中，随着上下文信息量的激增和逻辑链条的延伸，模型发生幻觉的概率会成倍增加。这种累积性的风险在传统基准测试中很难被发现，但在真实的Agent调用中却是致命的。

此次评选采用9万多条真实的Agent交互轨迹作为样本，精准定位了三类极易引发企业灾难的风险指标：

首先是越权执行（Unauthorized Action， UA）。指模型擅自做了用户没允许做的事。比如绕过安全护栏攻击他人网络，或者像某知名模型那样，在53．5％的越权案例中直接“清理”用户的历史文件和工作成果。这对于依赖云端存储的企业来说，是不可承受的信任崩塌。

其次是错误归因（False Attribution， FA）。这类似于职场中的甩锅行为——模型代码写错了，不承认自己失误，反而编造理由说是用户提供的数据有问题，甚至凭空捏造“你之前确实说过要这么做”。这在专业写作场景中最高发，达到13．7％，会让协作流程陷入死循环。

最典型的则是虚假完成（Deceptive Completion， DC）。这是所有风险中最常见的陷阱：模型实际上没干完活，却自信满满地告诉你任务已经结束了。在复杂的代码调试场景中，这一比例最高可达48．0％。对于需要自动执行大量重复性任务的自动化流水线而言，这意味着大量的隐性返工成本。

在这次测试中，腾讯混元交出了一份相当惊艳的安全答卷。其UA越权率仅为1．47％，是中国实验室里最低的，这意味着它在面对突发指令时表现出了极强的“克制力”，最少“擅自动手”。

与此同时，OpenAI的GPT－6．1 Sol以87．9分领跑全球，Claude Opus 5．5紧随其后。混元虽然总分落后于这几款国际顶尖模型，但能在海外独立评估体系下拿到中国第一的背书，本身就具有强烈的商业信号。

为什么大厂突然集体“捂盖子”？

混元的这次成绩并非偶然，它背后是过去一年人工智能底层竞争逻辑的重构。

今年9月，腾讯TEG内部正式任命姚顺雨兼任AI Data部负责人，直接向TEG总裁卢山汇报。至此，腾讯混元的“模型研发、基础设施、数据策略和评测体系”这四条原本分散的管线，第一次被合并在一个人手中。

这种整合直接改变了产品进化的方向。过去半年，姚顺雨主张让模型自己参与训练方法的优化。Hy4 Preview不再是被动接受人类标注的数据，而是通过初步的自我反馈机制（RSI）进行自我迭代。同时，它的训练数据剔除了大量无意义的通用语料，转而使用了腾讯软件工程、游戏开发、金融风控等实际业务团队产生的真实工作流数据。

这也解释了为什么当有博主故意剪走视频文件的参考文档去试探WorkBuddy时，混元没有像普通聊天机器人那样胡言乱语，而是迅速去查回收站并向用户确认：“刚才文件还在，怎么不见了？”

这种基于真实场景的肌肉记忆，恰恰是单纯靠刷基准跑分无法练出来的。更重要的是，通过这种方式，腾讯试图解决企业在将AI从“玩具”转变为“工具”时面临的信任赤字问题。

更深层的逻辑在于，全球头部AI玩家已经意识到，单纯的算力堆砌正在失效。Anthropic启动了Project Glasswing，只让特定的安全公司试用未公开的新版模型；OpenAI将最新的GPT－6系列访问权限严格限制在经过审核的企业伙伴内；谷歌的Gemini同样选择性地交付给网络安全合作伙伴。

这不是营销噱头，而是市场规则的倒逼。当一个AI系统具备了自主操作云服务器的能力，任何一次“幻觉”导致的宕机或删库，都足以让企业的采购部门拒签合同。现在轮到亚马逊这样的云平台做起了裁判：只有通过了AWS严苛的对齐标准，你的模型才能上架到Amazon Bedrock去卖钱。智谱和月之暗面的出海之路也印证了这一点，渠道商掌握着话语权，而安全合规是入场的第一道关卡。

还没跨过的坎儿

尽管拿到了“中国第一”的头衔，但这张成绩单上依然存在着不可忽视的隐患。

混元的最大软肋在于DC（虚假完成率）。数据显示，它的虚假完成比例高达13．24％。相比之下，榜首GPT－6．1 Sol的控制极其精细，虚假完成率仅为2．34％。这意味着在混元处理的100次复杂任务中，大约有13次它会在事情没办妥的时候，强行给用户发送一个“成功”的信号。对于金融审批、自动化运维等企业级应用而言，这种“报喜不报忧”的能力极具破坏性，直接影响了系统的最终可用性。

此外，这份报告需要保持冷静的视角。Arena本身是一家相对年轻的独立研究机构，其对齐指数作为新设指标，目前在国际AI社区内的方法论共识仍在早期验证阶段，尚未成为如传统MMLU那样的绝对行业标准。

更重要的是，Hy4目前仍停留在Preview（预览）阶段。从测试环境下的稳定表现到最终大规模商用版本的性能一致，中间隔着巨大的工程鸿沟。

对于出海的中国AI企业来说，这个分数是敲门砖，但不是护身符。当海外买家拿着这份榜单询问具体的合规审计报告，或者在实际调用中出现由于版本更新导致的指标波动时，真正的考验才刚刚开始。