阿里拟领投UniPat 3亿美元融资，估值达25亿美元

据市场消息，阿里巴巴将领投AI评测初创企业UniPat AI一笔3亿美元的融资，投后估值达25亿美元。腾讯、红杉中国等投资机构也可能跟投，相关交易仍在细节谈判中。

与声名显赫的“AI六小龙”相比，UniPat在大众视野中相对低调，但在专业投资与大模型圈内已备受关注。美国风投机构Dimension Capital在近期访华调研后，便将UniPat作为中国新一代AI基础设施的典型代表。这类企业的核心特征在于：不再局限于初级的数据标注外包，而是深入到模型评测、真实业务任务验证以及强化学习训练数据构建。

数据赛道升级：从卖人力到卖高质量监督

大模型训练的数据供应链正在经历关键跃迁。早期数据服务主要出售人工工时，随后演变为提供高质量专家问答。而如今，Scale AI、Mercor、AfterQuery等北美头部数据服务商，已开始全面渗透进中美主流大模型的采购名单中。

随着互联网公开文本资源逐渐消耗殆尽，加上传统公开榜单刷分严重、难以反映实际生产力，开发者急需能够映射现实业务复杂度的验证体系。UniPat正是这一趋势下的产物，其核心逻辑是通过更高质量的专业监督，提高模型单位算力的产出效率，以此替代盲目堆叠算力。

UniPat成立于2025年末，创始人曾先后任职于阿里巴巴通义实验室、月之暗面及腾讯，长期专注于训练后分析、数据合成与强化学习。

超越传统刷榜：在真实任务中构建反馈

从已公开的项目来看，UniPat并不满足于单纯的模型排名：

• 代码与多轮工程测试：Monthly-SWEBench每月从真实GitHub项目中提取未解决任务，测试AI智能体修复缺陷与实现功能的能力；EvoCode-Bench则考察模型在同一工作区应对需求变更、上下文累积和长链路依赖的表现。
• 未来事件预测系统（Echo）：不同于测试已知答案的考题，Echo通过结合新闻、预测市场与实时数据，让模型对未来未发生事件给出概率判断，并在事件发生后提供反馈。这种“基于未来训练”（Train-on-Future）的模式，将现实事件演进直接转化为高质量强化学习数据。
• 高门槛专业评测（ExpertEval）：覆盖医疗、金融、法律等高风险领域，每道题目包含二十余条细分评分维度，重点识别看似合理但现实代价极大的“关键负面项”，以此提炼成指导模型微调与对齐的规则。

这使UniPat不仅是一家评测机构，更成了能够反哺模型训练的数据引擎。

阿里的战略算盘与第三方中立挑战

阿里大举注资的背后，对应的是其AI业务从模型研发向云与企业级应用落地的全面转向。从推出企业级智能体平台“悟空”，到整合基础模型与应用链条，阿里需要的不再只是刷榜领先的Qwen大语言模型，而是明确知道：AI智能体能否在真实办公流程中把事情办成？其输出结果是否值得政企客户付费买单？

投资UniPat，相当于阿里在AI商业化落地的验收环节提前锁定了一套独立的判定体系。

不过，25亿美元的高估值也伴随着严峻考验。作为评测平台，一旦深度绑定某一巨头或参与模型微调训练，其客观中立性难免遭遇外界质疑；同时，如何防止测试基准被模型厂商针对性“过拟合”和“反向刷分”，依然是整个大模型验证行业需要持续解答的命题。