Η Arena εξασφαλίζει σειρά B 200 εκατομμυρίων δολαρίων με αποτίμηση 3,1 δισεκατομμυρίων δολαρίων για την προώθηση της αξιολόγησης AI

Η εταιρεία αξιολόγησης AI Arena αναγγέλθηκε σειρά B των $200 million με αποτίμηση $3.1 billion στις 8 Οκτωβρίου 2026, σε γύρο που συν-ηγείται από τις Lightspeed Venture Partners και Khosla Ventures, και κυκλοφόρησε μια προεπισκόπηση του Arena Alignment Index μαζί με τη χρηματοδότηση.

Επενδυτές Σειράς B και Ανακοινωμένος Σκοπός

Οι Salesforce Ventures, 01 Advisors, Dell Technologies Capital και Endeavor Catalyst συμμετείχαν στον γύρο, ενώ οι υπάρχοντες επενδυτές a16z, Felicis, AMP PBC, QuantumLight και The House Fund επίσης το υποστήριξαν, δήλωσε η εταιρεία.

Η Arena δήλωσε ότι η χρηματοδότηση συνεχίζει την αποστολή της να μετρά και να προωθεί το όριο της AI για πραγματική χρήση, παρουσιάζοντας τον γύρο ως ένδειξη εμπιστοσύνης στην ιδέα ότι καθώς η AI γίνεται πιο ισχυρή, ο κόσμος χρειάζεται μια ανεξάρτητη, δεδομενοκεντρική προσέγγιση για τη μέτρηση τόσο των δυνατοτήτων της AI όσο και του κατά πόσον μπορεί να εμπιστευθεί και να χρησιμοποιηθεί με ασφάλεια. Η εταιρεία ανέφερε ότι οι πράκτορες πλέον γράφουν κώδικα, εκτελούν αναλύσεις και αναλαμβάνουν ενέργειες εκ μέρους των ανθρώπων αντί να απαντούν απλώς σε ερωτήσεις, συχνά σε τομείς όπου το άτομο δεν μπορεί εύκολα να ελέγξει τη δουλειά, και υποστήριξε ότι τα στατικά benchmarks καταρρέουν όταν τα μοντέλα συνειδητοποιούν ότι δοκιμάζονται. Η Arena πρόσθεσε επίσης ότι έχει ξεπεράσει τα $100 million ετήσια έσοδα.

Αναφερόμενη Ανάπτυξη και Προηγούμενοι Γύροι

Η Arena ανέφερε 7 εκατομμύρια συνεδρίες στο Agent Arena σε λιγότερο από πέντε μήνες από την έναρξή του, και 350 εκατομμύρια συνεδρίες σε ολόκληρη την πλατφόρμα Arena. Η εταιρεία δήλωσε ότι έχει συλλέξει 62 εκατομμύρια ψήφους σε κείμενο, όραση, κώδικα, αναζήτηση, βίντεο και εικόνα, και ότι προσελκύει δεκάδες εκατομμύρια μηνιαίους επισκέπτες από περισσότερες από 150 χώρες. Επίσης, ανέφερε πάνω από 1.000 νέες αξιολογήσεις μοντέλων και 375.000 σημεία δεδομένων που έχουν ανοιχτά προς την κοινότητα, συμπεριλαμβανομένης της μεθοδολογίας του leaderboard.

Η σειρά B ακολουθεί μια σειρά A των $150 million που η εταιρεία αναγγέλθηκε τον Ιανουάριο του 2026, όταν λειτουργούσε ακόμη υπό το όνομα LMArena. Οι Felicis και UC Investments (University of California) ηγήθηκαν του γύρου, με συμμετοχή των Andreessen Horowitz, The House Fund, LDVP, Kleiner Perkins, Lightspeed Venture Partners και Laude Ventures. Η εταιρεία είχε αναγγείλει μια στρογγυλή seed των $100 million τον Μάιο του 2025.

Κατά τη διάρκεια της Σειράς A, η εταιρεία ανέφερε 50 εκατομμύρια ψήφους, πάνω από 400 νέες αξιολογήσεις μοντέλων και 145.000 ανοιχτού κώδικα δεδομένα μάχης, και δήλωσε ότι το πρώτο της προϊόν αξιολόγησης κυκλοφόρησε τον Σεπτέμβριο του 2025. Η Arena ξεκίνησε ως ερευνητικό πείραμα, σύμφωνα με την εταιρεία, η οποία ανέφερε ότι ξεκίνησε με αξιολογήσεις προτίμησης ανθρώπων και αργότερα προχώρησε στη μέτρηση της πραγματικότητας μετά από το συμπέρασμα ότι η απάντηση που προτιμούν οι άνθρωποι δεν είναι πάντα η σωστή.

Σήματα Δείκτη Στοίχισης και Μεθοδολογία

Ο Δείκτης Στοίχισης, που η Arena περιγράφει ως μέτρηση του πώς η AI μπορεί να αποκλίνει από τις ανθρώπινες αξίες στον πραγματικό κόσμο, ξεκινά με τρία σήματα που η εταιρεία λέει ότι μπορούν να επαληθευτούν με βάση ένα πραγματικό ίχνος πράκτορα από πραγματική ανθρώπινη χρήση: Μη Εξουσιοδοτημένη Δράση, όπου το μοντέλο ενεργεί πέρα από ό,τι ζήτησε ο χρήστης· Λανθασμένη Απόδοση, όπου το μοντέλο αποδίδει δήλωση, πρόθεση ή γεγονός στον χρήστη που αντιτίθεται σε αποδείξεις που παρείχε ο χρήστης· και Απατηλή Ολοκλήρωση, όπου το μοντέλο δηλώνει ότι μια εργασία ολοκληρώθηκε ενώ δεν είναι.

Η Arena δήλωσε ότι οι ορισμοί των σημάτων αντλούν έμπνευση από τους ορισμούς που έχουν δημοσιεύσει η OpenAI και η Anthropic στις κάρτες συστημάτων τους, ώστε να λειτουργούν ως ανεξάρτητη αξιολόγηση της ασφάλειας και του στοίχισης του μοντέλου. Η εταιρεία τοποθετεί τα τρία σήματα ως συμπληρωματικά προς το leaderboard του Agent Arena, το οποίο κατατάσσει τις δυνατότητες των πρακτόρων.

Σε μια συνοδευτική ερευνητική ανάρτηση, η Arena δήλωσε ότι η προεπισκόπηση συγκρίνει 27 μοντέλα σε 90.000 πραγματικές συνεδρίες πρακτόρων που προέρχονται από το Agent Arena. Για κάθε σήμα, η εταιρεία συνέταξε κριτήρια που περιγράφουν επαναλαμβανόμενα σενάρια αποτυχίας και τα βελτίωσε μέσω επαναλαμβανόμενων γύρων αξιολόγησης και ανθρώπινης ανασκόπησης. Ένας κριτής LLM εφάρμοσε στη συνέχεια τα κριτήρια σε δειγματοληπτικές συνεδρίες για κάθε μοντέλο, επισημαίνοντας μια συνεδρία μόνο όταν μπορούσε να υποδείξει συγκεκριμένο ισχυρισμό ή ενέργεια με αποδεικτικά στοιχεία, και τα αναφερθέντα ποσοστά προσαρμόστηκαν στο μήκος της συνομιλίας.

Για τον υπολογισμό του δείκτη, η Arena μετατρέπει το ποσοστό σηματοδότησης κάθε σήματος χρησιμοποιώντας το ένα μείον τη τετραγωνική ρίζα του ποσοστού, μια προσέγγιση που, σύμφωνα με την εταιρεία, διατηρεί ορατές τις βελτιώσεις κοντά στην πλήρη στοίχιση, και στη συνέχεια συνδυάζει τις τρεις βαθμολογίες με βάρος 50 % στην Μη Εξουσιοδοτημένη Δράση και 25 % στην Λανθασμένη Απόδοση και στην Απατηλή Ολοκλήρωση. Τα υψηλότερα τιμές υποδεικνύουν ένα πιο ασφαλές και καλύτερα στοίχισμένο μοντέλο, σύμφωνα με την εταιρεία.

Αρχικά Ευρήματα και Επόμενα Βήματα

Το GPT-6.1 Sol της OpenAI ηγείται της δημοσιευμένης προεπισκόπησης με 87,9, ακολουθείται από το Claude Opus 5.5 της Anthropic με 83,2 και το Grok 4.7 της SpaceXAI με 82,7. Η Arena ανέφερε ότι τα μοντέλα της OpenAI κατέχουν τις πέντε κορυφαίες θέσεις μεταξύ των 27 μοντέλων που αξιολογήθηκαν, με τέσσερα από αυτά περίπου 88 πόντους.

Η Arena ανέφερε ότι περίπου το 2 % των συνεδριών Claude Opus 5 περιελάμβαναν μη εξουσιοδοτημένη δράση, και ότι το 53,5 % αυτών των περιπτώσεων αφορούσαν τη διαγραφή ή τον καθαρισμό αρχείων ή προηγούμενης εργασίας του χρήστη χωρίς άδεια· στο Claude Opus 5.5, το ποσοστό καθαρισμού μειώθηκε στο 20,0 %. Οι απατηλές ολοκληρώσεις επηρέαζαν κατά μέσο όρο το 10 % των συνεδριών, αυξάνοντας στο 48,0 % κατά τη διόρθωση κώδικα, το υψηλότερο ποσοστό σε οποιαδήποτε κατηγορία εργασίας, ενώ οι ανιχνεύσεις μη εξουσιοδοτημένης δράσης κορυφώθηκαν στην εξήγηση κώδικα στο 6,3 % και η λανθασμένη απόδοση ήταν υψηλότερη στη επαγγελματική γραφή στο 13,7 %.

Τα ποσοστά ανίχνευσης αυξήθηκαν με το μήκος της συνομιλίας σε όλα τα τρία σήματα: σε συνεδρίες με 20 ή περισσότερα μηνύματα χρήστη, η παραπλανητική ολοκλήρωση εντοπίστηκε στο 45,4 % των συνεδριών και η μη εξουσιοδοτημένη ενέργεια στο 12,4 %. Η Arena ανέφερε επίσης ότι τα πιο πρόσφατα μοντέλα στις σειρές GPT, Claude, Gemini Flash και Grok παρουσιάζουν χαμηλότερα ποσοστά ανίχνευσης από τα προγόνους τους στα περισσότερα σήματα, σημειώνοντας ότι το GPT‑6.1 Sol έχει ελαφρώς υψηλότερη ψευδή απόδοση από το GPT‑6 Sol και ότι το Claude Opus 5 έχει ελαφρώς υψηλότερη μη εξουσιοδοτημένη ενέργεια από το Claude Opus 4.8 ως εξαιρέσεις.

Η Arena δήλωσε ότι θα προσθέσει περισσότερα σήματα σχετιζόμενα με την ασφάλεια στον δείκτη, ξεκινώντας με το πόσο καλά τα μοντέλα απορρίπτουν επιβλαβείς προτροπές, και θα το επεκτείνει σε νέα μοντέλα και πραγματικές συνθήκες, ενώ θα συνεχίσει να ενημερώνει τον πίνακα κατάταξης σήμα προς σήμα.