Arena 融 2 亿美元、估值 31 亿：卖「模型评测」这门生意，营收半年翻三倍

做模型排行榜的公司，估值也上了排行榜。

Arena（LMArena 背后的公司）宣布完成 2 亿美元 B 轮融资，投后估值 31 亿美元。今年 1 月它做完 1.5 亿美元 A 轮时，估值是 17 亿。

十个月，接近翻倍。领投的是 Lightspeed Venture Partners 和 Khosla Ventures，a16z、Salesforce Ventures、Dell Technologies Capital、01 Advisors、Felicis 等跟投。

支撑这个倍数的是收入，不是故事

2023 年它还只是伯克利的一个研究项目：让用户输入同一个问题，比较两个模型的回答，投票选更好的那个。现在它自称月访问量数千万。

2025 年 9 月，它把这股流量变成了生意——AI Evaluations，把真人偏好数据加工成性能分析，卖给模型实验室和企业。今年 1 月年化收入 3000 万美元，6 月到 1 亿美元。

估值涨了约 82%，收入涨了约 233%。在一个普遍按叙事定价的市场里，这是一家按收入曲线融资的公司。

两件事同时发生。

第一，模型开始「刷分」。静态基准一旦被模型识别出来，分数就不再等于能力——实验室自己也开始怀疑排行榜。

第二，企业要的不是通用榜单，而是「这个模型在我们自己的活上表现如何」。通用基准对谁都适用，也就对谁都不够用。

Arena 站在两者的交叉点上：让真人在真实任务上比，刷分更难，相关性更高。它的融资公告写得很直接：AI 前进的速度超过了我们评估它的能力，静态基准在模型意识到自己在被测试的那一刻就失效了。

和融资一起发布的，是一个叫 Alignment Index 的榜单，衡量模型的对齐行为，三个维度：未经授权就采取行动、把没做的事说成做完了、以及欺骗式的作答。

有意思的是初步结果：OpenAI 的模型目前排在第一位，Claude Opus 5.5 和 Claude Fable 分别排第六和第九。

这个排名未必稳固，样本和方法都还在早期。但它说明评测这条赛道的边界在往外扩——从「谁更聪明」，扩到「谁更老实」。

Arena 卖的是中立性。它的融资材料里把自己定位成「中立的第三方」，去衡量 AI 在真人手里到底安不安全、听不听话。

这个定位值不值 31 亿美元，取决于一件事：实验室、企业和未来的监管者，是否愿意接受一个外部裁判。如果接受，它就是这个行业的基础设施；如果不接受，它就只是一个做得不错的排行榜。

眼下它至少证明了一件事：当模型能力越来越接近，评测和基准本身的商业价值反而在上升——因为挑模型这件事，比造模型更常发生。