公司

有消息称，阿里巴巴正考虑领投AI评测与后训练公司UniPat约3亿美元，估值约25亿美元，腾讯及现有股东红杉中国也被曝有意加入。需要提前说明的是，这笔交易仍处于谈判阶段，金额、估值、条款及最终参与方均未最终确定，远未达到“已交割”状态，后续仍可能发生变化。

然而，比交易本身更值得关注的是UniPat这家公司所触及的核心问题。该公司成立于2025年底，创始人李宽是90后，创业前曾在阿里通义实验室实习，参与通义DeepResearch项目，专注于后训练分析、数据合成和强化学习。团队曾开展WebSailor等复杂推理研究，并发布了BabyVision、SaaS-Bench、EvoCode-Bench、Terminal-X等一系列评测集，方向涵盖软件工程智能体、浏览器操作及企业SaaS长流程任务。

将这家公司简单定义为“AI考官”是低估了它。它真正占据的关键位置，是大模型下半场最容易被忽视的一层：模型完成答题后，由谁来判断、如何纠错、以及如何将纠错转化为下一轮训练信号。而这一层，恰恰是当前整个行业最稀缺、也最容易被资本忽视的环节。

模型答题后，由谁来判断？

大模型的上半场比拼的是参数、算力和语料。判断模型优劣依赖Benchmark——输入问题，输出答案，计算准确率。这套机制在“答题”时代足够有效，也简单明了。

但进入Agent时代，这套方法失效了。因为Agent的任务不再是单一问题，而是一连串动作：理解环境、规划步骤、调用工具、修改代码、查询数据库、处理异常、回滚操作、提交结果。中间涉及数十个步骤，任何一步出错，即使最终答案再完美也无济于事。传统的静态题卡无法测试“它到底能否完成任务”。

UniPat的第一层能力是“生产级评测”：不是问模型“知不知道”，而是将其置于接近真实的环境中，观察它能否完成任务。SaaS-Bench将23个真实开源SaaS系统装入Docker，运行106个跨应用长流程任务；EvoCode-Bench考察多轮需求变更下的持续开发；Terminal-Bench测试复杂工程任务和版本升级。这相当于将评测从“判卷”升级为“实战演练”。

举个直观的例子。传统Benchmark考察一道数学题，模型答对就算优秀。但在Agent场景中，模型接到“帮客户修改ERP中的采购单”任务，它需要先理解需求、找到正确页面、修改字段、保存数据、确认未破坏其他数据。中间任何一步中断，任务即告失败——即便最终输出语句很优美。这就是为何“答题型评测”在Agent时代完全不够用：它测的是“模型知不知道”，而企业真正关心的是“模型能不能完成任务”。

但真正有价值的，是第二层。

评测完成后，最有价值的并非分数，而是失败轨迹：哪一步决策错误、验证器为何拒绝、人工Rubric如何扣分、换一条路径能否收敛。这些轨迹、中间状态、验证信号和偏好标注，可以直接用于SFT、奖励模型或强化学习。

于是闭环形成：评测发现弱点→截取失败轨迹→标注Rubric和偏好→合成训练数据→后训练更新策略→再次评测→再次发现弱点。UniPat销售的并非一次考试，而是模型持续优化的反馈回路。报道也提到，它与阿里的合作以强化学习后训练数据为主，先在较小模型上进行低成本实验，筛选有效方案后再放大。这套“先小后大”的策略，本身就是后训练数据业务最务实的路径——小成本试错，验证可行后再规模化。

“判卷权”：谁定义好，谁决定下一代

“判卷权”这个词，准确翻译是指掌握三样东西。

第一是任务定义权。什么叫“完成”？是末端JSON格式正确，还是跨系统状态一致？是代码能运行，还是测试通过且不影响现有逻辑？任务如何设定，模型就会被逼着朝哪个方向进化。出题的人，实际上在决定模型的发展方向。

第二是评分标准权。依靠规则验证器，还是依靠Rubric加人工专家？过程分如何分配？安全、合规、成本、可回滚性是否纳入目标函数？标准一旦变化，模型的强弱排序将彻底改写。

第三是反馈数据权。最稀缺的不是“问题—答案”对，而是“环境—行动—结果—奖励”序列。谁能稳定生产可验证的轨迹，谁就卡住了后训练的供给端。

因此，“判卷权”等于评价标准加奖励信号加训练数据来源。它之所以有价值，不是因为某套Benchmark有多权威，而是因为模型可以更换，但反馈层会被反复调用。谁掌握了“什么算好”的定义权，谁就参与了决定下一代模型走向的过程。

这三样东西环环相扣。任务定义决定模型被训练去做什么，评分标准决定模型被训练去优化什么，反馈数据决定模型用什么信号去改进。一个掌握全套能力的公司，等于握住了“什么算好”这个终极问题的答案。而在大模型下半场，这个答案比“谁的参数多”更有价值——因为参数可以堆砌，算力可以购买，但“好”的定义权只有一个。

阿里腾讯罕见同框，以及三道绕不过的坎

阿里的逻辑最为直接。通义需要后训练，阿里云的企业客户需要验收。模型在公开榜单上排名第几，企业并不买单；能否进入ERP修改单据、进入客服系统闭环工单、进入研发流程通过单元测试，才决定采购决策。将UniPat这类能力嵌入阿里云的交付标准，等于把“模型是否可行”的验收尺子握在自己手中。再加上前通义员工的信任链，技术对齐成本较低。

腾讯若跟投，逻辑则不同：它不一定押注UniPat某套Benchmark长盛不衰，而是押注“模型中立”的反馈基础设施。微信、企业微信、广告、客服等业务，无论将来接入混元还是外部模型，都需要回答“Agent是否稳定、流程是否通畅”。投资评测层，比押注单一模型更底层——模型会更换，但“验收”这件事，永远需要一把尺子。

阿里腾讯罕见同框，信号不在于感情，而在于共识：评测和后训练数据不是配套小功能，而是Agent时代的采购前置条件。

然而，闭环之外还有三道坎，绕不过去。

第一道是中立性

阿里领投、腾讯跟投，但客户包含其他大模型厂商，公信力自然会受到质疑：你会为自家模型放松Rubric吗？Scale AI就是前车之鉴。UniPat要么将验证器做到透明，要么将商业评测与公开Benchmark分拆，否则“考官”迟早会被质疑为“自家教练”。这在中文AI圈中，是尤其绕不开的一关——因为客户和股东本身就是同一批巨头。

第二道是收入

目前能确认的是评测集和技术口碑，但无法确认的是可持续的合同和毛利结构。后训练数据定制客单价较高，但依赖头部实验室的预算——头部一旦收缩，收入就会波动。

第三道是工程

真实SaaS环境、浏览器环境、多工具调用，维护成本极高。Benchmark被刷是常态，验证器漏判会直接污染奖励信号。能否将评测转化为可调用的RL环境，而不是发布榜单后就过时，决定了它最终是数据公司，还是基础设施公司。

这三道坎，实际上是一件事的三个侧面：UniPat想做的是“中立的基础设施”，但它的大股东之一是模型厂商阿里，它的收入又依赖这些模型厂商的预算，它的工程又必须时刻跟上模型的进化。一个想当中立裁判的公司，同时要讨好选手、靠选手吃饭、还得比选手跑得快——这个处境注定了它每一步都走在钢丝上。

回到那笔传闻中的3亿美元。大模型上半场比拼谁参数大、谁卡多、谁语料狠；下半场比拼的是，模型出来后，如何知道它真的变好了，而不是只在榜单上变好了。预训练消耗互联网存量，后训练消耗可验证反馈。Agent一旦落地，正确答案不再是单点输出，而是长轨迹中的状态一致、工具成功、异常恢复、业务可验收。

资本盯上UniPat，不是盯它现在的收入，而是盯它能否成为模型公司的反馈神经系统：测模型、找弱点、出数据、给奖励、再训模型。交易是否落定另当别论，但方向已经明确——选手还会继续竞争，考场也开始被争夺。而考场一旦被抢下来，下一场比赛的规则，就不再由选手自己决定了。爱游戏电竞认为，这场关于“判卷权”的争夺，将深刻影响大模型未来的发展格局。