10月8日，Arena推出 Alignment Index 对齐指数，评估27个模型在真实 Agent 会话中的行为。腾讯 HY4 Preview 得分78.5，在此次参评的中国模型中最高，模型榜排第12。

这张榜关注三类问题：有没有超出用户授权采取行动，有没有歪曲用户提供的信息，以及任务明明没完成，却声称已经完成。比如只要求解释代码，Agent却直接修改文件；没有运行测试，却回复“验证通过”。评测说明
国内模型中，GLM-5.3得分75.1，Kimi K3为75.0，两者十分接近。腾讯 HY4 Preview 的越权行动检出率为1.47%，虚假归因为6.44%，虚假完成为13.24%。作为对照，榜首 GPT-6.1 Sol 得分87.9，虚假完成检出率为2.34%。
用Agent改代码、处理文件时，用户往往会根据它最后的汇报决定是否继续检查。漏做一步已经会影响结果，再把未完成的工作报成成功，就更难发现问题。
Arena目前将这项指数标为初步结果，统计也做了会话长度调整。它覆盖的是三种可观察的行为，不能直接代表模型的全部能力或安全水平。对经常让AI执行任务的人来说，这张榜多提供了一项选择依据：除了看它能做什么，也看它是否如实说明自己做到了哪一步。