正如牡蛎历经教师，在坚实的外壳内将沙砾助长成一颗温润的珍珠。AI 也不错如斯云开体育，不是一个只会牢牢闭塞招架风险的系统，而是一个有底线、有分寸、也有温度的伙伴。
阿里巴巴集团安一齐聚会清华大学、复旦大学、东南大学、新加坡南洋理工等高校，聚会发布技艺解释；其理念与最近 OpenAI 发布的 GPT-5 System Card 放在首位的" From Hard Refusals to Safe-Completions "理念不约而同。
阿里巴巴集团安一齐正在辛劳股东从"让 AI 安全"到"让用 AI 的东谈主安全"的范式跃迁，迈向确切守己利他、以东谈主为本的 AI 不断。
Oyster-I 模子及 Demo 已洞开使用，详备相连可见文末。
真实天下的风险
在 AI 日益融入活命的今天，东谈主们可能会碰到这么的场景：
一位焦急的母亲，在深夜搜索"宝宝发热的偏方"；能够立地到考试周截至时候，交不上功课的年青学生向 AI 求援 Photoshop 破解决策，赢得的却是 AI "我无法匡助"的冰冷回复。
这种回复诚然不出错，却可能将无助的用户推向网罗上更不可靠、以致危机的信息山地。
更极点少许，当一个在经济逆境中流浮现不法念头的用户向 AI 倾吐、寻找科罚决策，如若 AI 仅仅轻便地以"不成回复"来远隔对话，其实并不成掐灭用户不法的动机。
（以上对话示例来自 GPT-oss-20b）
这并非个例，而是面前主流 AI 安全机制的结构性逆境：安全对皆技艺短缺对用户风险意图的考究化分级材干，将风险轻便地归纳为来自坏心报复者的颓落事件。对应的珍惜步调是"一刀切"的断绝回复。
关系词，这些被断绝回复的问题背后，不仅有图谋不轨的坏心，也有大批来私用户真实的急迫求援。
心情学筹商标明，东谈主在压力和困扰情景下，明白材干会变窄，好多风险发问都发生于东谈主处在逆境中的情况下，而当正当的疏通渠谈被阻断，东谈主们会转向其他不受拘谨的渠谈。
一个被 AI 断绝的东谈主，很可能转向充斥着造作信息和极点念念想的论坛或社群，从而将我方知道在更大的风险中。
是以，轻便地断绝回复扫数风险问题，诚然拦住了 AI 系统里的风险，却并莫得捣毁真实的危机；诚然躲藏了短期的风险，却也躲避了开选用户的经久包袱。
这些表象也迫使 AI 筹商者去注视 AI 安全的将来。雷同 AI 企业不仅需要为模子的安全考究，更应当主动肩负起更多社会风险、开选用户的包袱。
一个确切的负包袱的 AI，不仅要苦守安全底线，毫不被开采生成无益决策；也要幸免因为过度珍惜而拒东谈主沉，把东谈主推向更危机的境地。
因此，阿里巴巴安一齐冷落建立性安全对皆的理念，并将这一理念集成到了 Oyster-I 模子中。
Oyster-I 模子在具有坚实的底线类风险珍惜的基础上，关于风险等第较低的问题给与有原则的共情与开采，将潜在的风险发问转动为匡助和开选用户的机会。
关于上述被其它模子断绝的问题，Oyster-I 会给出这么的申诉：
建立性安全对皆
解释中冷落一种新式的诳言语模子安全对皆范式——建立性安全对皆（Constructive Safety Alignment, CSA）。
该范式突破传统以断绝为中枢的珍惜式安全机制，转而构建一个动态、可优化、面向经久交互主张的博弈框架。
在这个新的博弈框架下，AI 的主张不再是轻便地"被迫珍惜"用户，而是在苦守安全底线的前提下，主动、颖悟地与用户配合，寻找既安全又有价值的最好回复战略。
中枢门径不错详细如下：
起初，筹商团队将话语模子与用户之间的多轮交互模样化为一个两阶段序贯博弈。在这个博弈模子里，AI 不再是被迫地回话用户确面前辅导，而是会像一个带领者一样，提前预判用户的潜介意图和后续行径，然后主动遴荐一个能将对话引向最成心标的的战略。
具体来说，Oyster-I 设定 :
用户类型包括良性用户、明锐意图用户和坏心报复者，其遵守函数为，反馈其对响应的自在度。
模子遵守函数为其中 Retention ( . ) 暗意用户留存度，Risk ( . ) 为风险度（如违犯法律 / 伦理准则的危机分数），α , β>0 为权重悉数，且时常 β>α，体现安全优先原则，Cost 为每产生的 y 的生成用度。
由于用户真实类型不可不雅测，模子需通过不雅测输入和高下文推断后验信念，并据此求解生机遵守最大化问题，该门径冷落一个融合的 Constructive objective, 用于暗意同期议论回复用户自在度及风险度后的净价值，若为正，则意味着该回复提供了正向建立价值：
该主张函数饱读舞模子生成尽可能有匡助但无风险溢出的回复，则关于每一条发问 x 的最优回复 y* 暗意为：
该博弈结构允许模子在生成响应前，预判不同类型用户在继承到不同响应后的战略反应（如不绝发问、住手交流等），从而主动遴荐能开采对话走向安全且高自在度情景的战略旅途。
再有，该解释也冷落了考究化的风险与价值评估。 筹商团队想象了一套多维度的安全评估体系，它会同期考量风险等第、所属风险类别、用户意图。
筹商团队冷落了一种基于话语学回溯的结构化推理（Lingo-BP）的技艺， 用以确保 AI 在生成回复时，恒久沿着一经设定好的"建立性"轨谈前进。将当然话语推理旅途映射为伪可微旅途：
它是一条相连 AI 念念考经由的逻辑链条，不错了了地跟踪 AI 的每一步推理；当发现推理旅途有偏离主张的风险时，就不错精确地进行滋扰和修正，从而确保最终的输出既适合逻辑，又符合预设的建立性主张。
在数据和评测方面，当今多数安全数据集过分聚焦在报复者视角，但这并不成代表真实天下的用户漫衍。
为此，解释中构建了一个全新的评测基准——Constructive Benchmark。筹商团队舍弃了轻便的二元标签，创造了湮灭从平凡东谈主到坏心 / 红队报复者的各样化用户画像，并想象了从无风险（R0）、潜在风险（R1）到对抗报复（R2）三个等第的复杂问题。
举例，关于 R1 级别的明锐忖度，允许一定情怀共情抒发；而关于 R2 级别的坏心苦求，则明确断绝。
在建立性安全对皆的评价里，把柄上头的 Constructive 目的来给 AI 打分：
这个公式了了地标明了 Oyster-I 团队的价值取向：AI 的总分，来源于它为用户创造的价值，减去它所带来的风险刑事包袱。
而在实际中，风险悉数 β 时常权贵大于收益悉数 α。安全不是博弈后的绝顶，而是价值创造的开端。
实验 & 实战进展
筹商团队主要在 Qwen3-14B 和 DS-distilled-14B 两个系列上进行了安全对皆与评测实验，评测了模子通用材干的保宽恕况、现有安全评测数据的安全性，还评测了对抗逃狱场景的鲁棒性与 Constructive 评测集上的得分。
实验恶果标明，Oy1 系列模子在安全性和通用材干上都达到了 SOTA 水平，作念到了在不赫然裁汰通用材干的前提下大幅熏陶安全（两个系列上划分约 +10%/+32%），通用与安全目的均向上了基线责任 RealSafe，尤其在 Constructive 目的上有权贵的上风。
Constructive 目的恶果（上图）展示了固定用户自在度权重 α =1 的情况下，不同的安全刑事包袱悉数 β 下模子总得分的全面变化趋势。
越非安全侧重的愚弄场景（如纯学术的论文阅读助手）对应的 β 值越小，而高安全侧迫切求场景下 β 更大的恶果更具备参考道理。
比拟于基模，对应 Oyster 版块在不糟跶用户自在度的条目下大幅熏陶了安全性，使得弧线下跌大幅变平稳；比拟较而言，Realsafe 由于其珍惜式的对皆，导致用户自在度大打扣头。
即使对比闭源买卖大参数模子，Oyster 也赫然向上大部分模子，仅与 GPT5 在不同安全比重参数下互有优劣。GPT-5 由于其参数目远超 14B 且也属于非珍惜式的对皆理念，在用户自在度上起初较大；关联词从 β =3 运转，Oyster 由于安全性强于 GPT5（尤其在逃狱报复场景），达成了总分反超。
可能有东谈主会有疑问：追求以东谈主为本的模子会不会在实质使用中反而更为脆弱？为回答这一问题，筹商团队还进行了实战查验。
在AI 安全大众挑战赛（赛谈一）攻防双向对抗赛中，筹商团队将 Oyster-I（白鲸模子）部署为被报复的靶标模子，实战进展异常惊艳。
在报复测试中，Oyster-I 主要给与两种应酬战略 : 1、 转为无害回复；2、面临难以更始的问题断绝回复。其内生安全加固决策在真实对抗场景中进展超卓，60000+ 次攻防弹雨，尤其是在抗逃狱材干上达到以致越过面前顶尖闭源模子水平：
Oy1-Qwen3-14B 珍惜收效率比拟 GPT-5 高 4%；
与配备齐全安全护栏（safety guardrails）的商用基线模子比拟，安全水位基本捏平。
（注：比赛恶果由大模子自动判断，并辅以东谈主工抽样审核，确保评估可靠性。）
转头与预计
Oyster-I 模子在传统安全评测、通用材干的保留上都达到了 SOTA 水平，况且在建立性安全评测集上展现出了质变式的上风。
Oyster-I 滋扰了传统安全范式下风险细分技艺不及带来的对可用性的影响，确切作念到了安全和可用的共建。
将来，阿里巴巴集团安一齐预备推出更多 Oyster 系列模子，囊括更复杂的多轮对话、智能体、逃狱报复等场景；并在安全与可用的基础上，进一步打造可靠、的确的大模子。
Oyster-I 论文的中枢作家包括段然杰、刘劼西、李德枫、加小俊、赵世纪、程若曦、王凤翔、魏程、谢勇、刘畅等多位来自阿里巴巴集团、清华大学、复旦大学、东南大学、新加坡南洋理工等机构的多鸿沟跨学科内行，一齐作家名单如下：
论文相连：https://arxiv.org/abs/2509.01909
Github：https://github.com/Alibaba-AAIG/Oyster
模子开源地址 1：https://huggingface.co/Oyster
模子来源地址 2：https://modelscope.cn/studios/OysterAI
Safety-Jailbreak 对应的数据集来自阿里新责任六脉神剑 ( Strata-Bench ) ：https://arxiv.org/pdf/2509.01444
Constructive Benchmark: https://huggingface.co/datasets/OysterAI/Constructive_Benchmark
Sample Training Data: https://huggingface.co/datasets/OysterAI/Oyster-I-Dataset
Modelscope Demo: https://modelscope.cn/studios/OysterAI/Oyster_Chat/summary
一键三连「点赞」「转发」「谨防心」
接待在挑剔区留住你的想法！
— 完 —
� � 点亮星标 � �
科技前沿进展逐日见云开体育