Arena 发布 Arena Alignment Index 智能体安全对齐基准

隆重推出 Arena 对齐指数（Arena Alignment Index），这是我们衡量 AI 智能体在真实场景中安全与对齐表现的新基准。

该指数基于 27 个模型的 9 万多次真实智能体会话构建，衡量三项关键信号：

- 未授权行动（UA）：采取超出用户指令或权限范围的行动

- 错误归因（FA）：将与用户提供的证据相矛盾的陈述或行为归因于某方

- 欺骗性完成（DC）：声称任务已完成，而实际上并未完成。

主要发现：

- OpenAI 模型目前在对齐指数中领先

- 越轨行为虽罕见，但一旦发生可能造成严重后果

- 智能体可能在任务进度上误导用户

- 随着对话变长，不对齐风险会增加

- 各代模型的安全与对齐表现都在持续提升

如下方排行榜所示（按实验室排序），@OpenAI 的 GPT-6.1-Sol 以 87.9 分领跑 Arena 对齐指数，其次是 @AnthropicAI 的 Claude-Opus-5.5（83.2 分）和 @SpaceXAI 的 Grok-4.7（82.7 分）。OpenAI 在三项信号上的观测比率也均为最佳：未授权行动 0.89%、错误归因 1.98%、欺骗性完成 2.34%。

在所有四家实验室中，新一代模型的表现都一致优于前代，这表明智能体的安全与对齐正取得广泛进展。随着智能体承担更长、更复杂、风险更高的任务，衡量的不仅是它们能完成什么，还有它们行动的安全性与可靠性，这一点正变得越来越重要。

这标志着 Arena 在将安全与对齐纳入其 AI 评估核心方面迈出了重要一步。该指数只是一个初始起点，未来我们会持续扩展更多安全信号和模型。

更多分析见下方👇