核心观点 - 阿里巴巴安全部联合多所高校提出建设性安全对齐理念，旨在推动AI从被动防御转向主动引导，在坚守安全底线的同时提升用户交互满意度[2][3][12][13] - 推出Oyster-I模型，采用博弈论框架动态优化回复策略，实现安全性与可用性的平衡，在多项评测中达到行业领先水平[14][17][28][36] 技术方法 - 构建两阶段序贯博弈框架，模型通过推断用户类型动态选择最优回复策略，目标函数为Constructive(x,y,g)=α·Retention(θ,x,y)-β·Risk(x,y,g)，其中β>α体现安全优先原则[19][20][22][26] - 开发Lingo-BP技术，通过结构化推理路径确保输出符合建设性目标，同时设计多维度安全评估体系覆盖风险等级、类别及用户意图[21][23] - 建立Constructive Benchmark评测基准，包含从无风险（R0）到对抗攻击（R2）的三级问题分类，并模拟多样化用户画像[23][24][25] 性能表现 - Oyster-I在Qwen3-14B系列模型上实现安全性提升约10%，在DS-14B系列上提升约32%，通用能力保持SOTA水平（Qwen3-14B总体得分84.20）[27][28] - 在Constructive专项评测中得分56.27，显著高于基线模型RealSafe的33.33和DS-14B基线的-0.49[27][28] - 抗越狱攻击防御成功率较GPT-5高4%，在60000+次攻防测试中达到顶尖闭源模型水平[36][38] 应用与展望 - 模型已开源并提供在线Demo，支持实际场景测试[4][39] - 未来计划扩展至多轮对话、智能体及复杂越狱攻击场景，进一步强化模型可靠性与可信度[37]