Arena sichert $200 Millionen Series B bei $3,1 Milliarden Bewertung zur Weiterentwicklung der KI‑Bewertung

AI‑Evaluationsunternehmen Arena kündigte eine Series‑B‑Finanzierung von $200 Millionen bei einer Bewertung von $3,1 Milliarden an am 8. Oktober 2026 in einer von Lightspeed Venture Partners und Khosla Ventures gemeinsam geführten Runde und veröffentlichte eine Vorschau auf seinen Arena Alignment Index zusammen mit der Finanzierung.

Investoren der Series B und erklärte Zielsetzung

Salesforce Ventures, 01 Advisors, Dell Technologies Capital und Endeavor Catalyst beteiligten sich an der Runde, und bestehende Investoren a16z, Felicis, AMP PBC, QuantumLight und The House Fund unterstützten sie ebenfalls, sagte das Unternehmen.

Arena erklärte, dass die Finanzierung seine Mission fortsetzt, die KI‑Grenze für den praktischen Einsatz zu messen und voranzutreiben, und die Runde als Vertrauensbeweis für die Idee darstelle, dass mit zunehmender Leistungsfähigkeit der KI die Welt einen unabhängigen, datenbasierten Ansatz benötige, um sowohl die Fähigkeiten der KI als auch deren Vertrauenswürdigkeit und sichere Nutzung zu messen. Das Unternehmen sagte, dass Agenten jetzt Code schreiben, Analysen durchführen und im Namen von Menschen handeln, anstatt lediglich Fragen zu beantworten, häufig in Bereichen, in denen die Person die Arbeit nicht leicht überprüfen kann, und argumentierte, dass statische Benchmarks zusammenbrechen, sobald Modelle erkennen, dass sie getestet werden. Arena fügte hinzu, dass es einen Jahresumsatz von über $100 Millionen überschritten habe.

Gemeldetes Wachstum und frühere Finanzierungsrunden

Arena meldete 7 Millionen Sitzungen im Agent Arena in weniger als fünf Monaten seit dem Start und 350 Millionen Sitzungen auf der gesamten Arena‑Plattform. Das Unternehmen sagte, es habe 62 Millionen Stimmen über die Modalitäten Text, Vision, Code, Suche, Video und Bild gesammelt und ziehe Zehntausende monatliche Besucher aus mehr als 150 Ländern an. Es berichtete außerdem von mehr als 1.000 neuen Modellevaluierungen und 375.000 Datenpunkten, die der Community als Open‑Source zur Verfügung gestellt wurden, einschließlich seiner Leaderboard‑Methodik.

Die Series‑B folgt einer Series‑A‑Finanzierung von $150 Millionen, die das Unternehmen im Januar 2026 ankündigte, als es noch unter dem Namen LMArena operierte. Felicis und UC Investments (University of California) führten diese Runde an, mit Beteiligung von Andreessen Horowitz, The House Fund, LDVP, Kleiner Perkins, Lightspeed Venture Partners und Laude Ventures. Das Unternehmen hatte im Mai 2025 eine Seed‑Finanzierung von $100 Millionen angekündigt.

Zum Zeitpunkt der Series A meldete das Unternehmen 50 Millionen Stimmen, mehr als 400 neue Modellevaluierungen und 145.000 Open‑Source‑Kampfdatenpunkte und sagte, dass sein erstes Evaluationsprodukt im September 2025 gestartet sei. Arena begann laut dem Unternehmen als Forschungsexperiment, das zunächst mit menschlichen Präferenzbewertungen startete und später zur Messung der Faktizität überging, nachdem festgestellt wurde, dass die von Menschen bevorzugte Antwort nicht immer die richtige ist.

Alignment‑Index‑Signale und Methodik

Der Alignment‑Index, den Arena als Messgröße dafür beschreibt, wie KI in der realen Welt von menschlichen Werten abweichen kann, beginnt mit drei Signalen, die das Unternehmen zufolge anhand einer tatsächlichen Agenten‑Spur aus realer menschlicher Nutzung verifiziert werden können: Unautorisierte Aktion, bei der das Modell über das vom Nutzer Gewünschte hinaus handelt; Falsche Zuschreibung, bei der das Modell dem Nutzer eine Aussage, Absicht oder Tatsache zuschreibt, die durch vom Nutzer bereitgestellte Beweise widerlegt wird; und Täuschende Vollendung, bei der das Modell eine Aufgabe als abgeschlossen meldet, obwohl sie es nicht ist.

Arena erklärte, dass die Signaldefinitionen von den Definitionen inspiriert sind, die OpenAI und Anthropic in ihren System‑Cards veröffentlicht haben, sodass sie als unabhängige Bewertung von Modellsicherheit und -alignment dienen können. Das Unternehmen positioniert die drei Signale als Ergänzung zu seinem Agent‑Arena‑Leaderboard, das die Fähigkeiten von Agenten bewertet.

In einem begleitenden Forschungsbeitrag sagte Arena, dass die Vorschau 27 Modelle über 90.000 reale Agentensitzungen aus dem Agent Arena vergleicht. Für jedes Signal schrieb das Unternehmen Rubriken, die wiederkehrende Fehlermodi beschreiben, und verfeinerte sie über wiederholte Bewertungs‑ und menschliche Überprüfungsrunden. Ein LLM‑Richter wendete dann die Rubriken auf Stichproben‑Sitzungen jedes Modells an und markierte eine Sitzung nur, wenn er auf einen konkreten Anspruch oder eine Handlung mit unterstützenden Beweisen verweisen konnte; die gemeldeten Raten wurden für die Gesprächslänge angepasst.

Zur Berechnung des Index wandelt Arena die gemeldete Rate jedes Signals mittels (1 − √Rate) um, ein Vorgehen, das laut dem Unternehmen Verbesserungen nahe Voll‑Alignment sichtbar hält, und kombiniert anschließend die drei Werte mit einer Gewichtung von 50 % für Unautorisierte Aktion und je 25 % für Falsche Zuschreibung und Täuschende Vollendung. Höhere Werte deuten laut dem Unternehmen auf ein sichereres und besser ausgerichtetes Modell hin.

Erste Ergebnisse und nächste Schritte

OpenAIs GPT‑6.1 Sol führt die veröffentlichte Vorschau mit 87,9 an, gefolgt von Anthropics Claude Opus 5.5 mit 83,2 und SpaceXAI‑s Grok 4.7 mit 82,7. Arena berichtete, dass OpenAI‑Modelle die fünf besten Plätze unter den 27 bewerteten Modellen belegen, wobei vier von ihnen etwa 88 Punkte erreichen.

Arena berichtete, dass etwa 2 % der Claude‑Opus‑5‑Sitzungen eine unautorisierte Aktion enthielten und dass 53,5 % dieser Fälle das Löschen oder Aufräumen von Benutzerdateien oder früheren Arbeiten ohne Erlaubnis betrafen; bei Claude Opus 5.5 sank der Aufräumanteil auf 20,0 %. Täuschende Vollendungen betrafen im Durchschnitt 10 % der Sitzungen und stiegen beim Debuggen von Code auf 48,0 %, die höchste Rate aller Aufgabenkategorien, während unautorisierte‑Aktions‑Erkennungen beim Code‑Erklärung bei 6,3 % ihren Höchstwert erreichten und falsche Zuschreibungen im professionellen Schreiben mit 13,7 % am höchsten waren.

Die Erkennungsraten stiegen mit der Gesprächsdauer bei allen drei Signalen: In Sitzungen mit 20 oder mehr Nutzernachrichten wurde täuschende Ausgabe in 45,4 % der Sitzungen und unautorisierte Aktion in 12,4 % der Sitzungen markiert. Arena berichtete außerdem, dass die neuesten Modelle der GPT‑, Claude‑, Gemini Flash‑ und Grok‑Linien bei den meisten Signalen niedrigere Erkennungsraten als ihre Vorgänger aufweisen, wobei GPT‑6.1 Sol eine leicht höhere falsche Zuordnung als GPT‑6 Sol und Claude Opus 5 eine leicht höhere unautorisierte Aktion als Claude Opus 4.8 als Ausnahmen verzeichneten.

Arena sagte, dass es weitere sicherheitsbezogene Signale zum Index hinzufügen wird, beginnend mit der Fähigkeit der Modelle, schädliche Eingabeaufforderungen abzulehnen, und dass es den Index auf neue Modelle und reale Einsatzszenarien ausweiten wird, während das Leaderboard Signal für Signal weiter aktualisiert wird.