AI 模型排行榜 Arena 估值 10 个月内翻倍至 31 亿美元，新增“对齐”评测榜单
从伯克利研究项目到 31 亿美元估值
AI 模型排行榜 Arena（前身为 LMArena）在周四宣布完成 2 亿美元 B 轮融资，投后估值达到 31 亿美元。这距离其今年 1 月完成 1.5 亿美元 A 轮融资（当时估值 17 亿美元）仅过去约 10 个月，估值几乎翻倍。
本轮融资由 Lightspeed Venture Partners 和 Khosla Ventures 联合领投，Salesforce Ventures、01 Advisors、Dell Technologies Capital、Endeavor Catalyst、a16z、Felicis 等机构参投。
Arena 起源于 2023 年加州大学伯克利分校的一个研究项目，通过众包方式对 AI 模型进行排名。用户输入提示词或请求“氛围编程”项目，然后投票选出表现更好的模型。公司声称其月访问量已达数千万。
商业化提速：AI Evaluations 踩中行业痛点
去年 9 月，Arena 推出了商业产品 AI Evaluations，为模型实验室和企业提供基于社区反馈的详细性能分析。这一时机堪称完美。
今年以来，AI 实验室纷纷意识到，他们的模型正在“钻空子”应对基准测试——找到方法在不真正具备能力的情况下刷高分。与此同时，企业希望了解哪个模型最适合自身内部需求，而不是仅依赖标准化基准。
Arena 在融资公告中表示：“AI 的进步速度超过了我们评估它的能力。一旦模型意识到自己正在被测试，静态基准就会失效。世界需要一个中立的第三方来衡量 AI 在真实用户手中到底有多安全、多对齐。”
新增“对齐”排行榜：衡量 AI 是否说谎
为了扮演好这个“中立第三方”角色，Arena 在其排行榜中新增了 对齐（alignment） 类别，从以下维度对模型进行排名：
- 未经授权的行为：执行未被要求的操作
- 错误归因：将陈述或事实错误地归功于错误来源
- 欺骗性完成：谎称完成了实际未完成的任务
在当前的初步对齐排行榜中，OpenAI 的一系列模型占据榜首，而 Claude Opus 5.5 和 Claude Fable 分别位列第六和第九。
为什么这很重要
Arena 的崛起反映了 AI 行业的一个根本性转变：随着模型能力越来越强，传统的静态基准测试正在失去意义。模型可以学会识别测试环境并“应试”，导致评测结果失真。
在这种背景下，基于真实用户众包反馈的持续评测，以及针对安全对齐的专项评估，正在成为 AI 生态系统中不可或缺的基础设施。Arena 声称已实现 1 亿美元年化经常性收入（截至今年 6 月），而 1 月时这一数字仅为 3000 万美元，增长迅猛。
从伯克利的一个研究项目，到估值 31 亿美元的评测平台，Arena 的路径印证了一个判断：在 AI 能力狂奔的时代，评测与对齐本身正在成为一个巨大的商业机会。
