Arena varmistaa $200M Series B $3,1B arvostuksella edistääkseen tekoälyn arviointia

AI‑arviointiyritys Arena julisti $200 miljoonan Series B $3,1 miljardin arvostuksella 8. lokakuuta 2026, rahoituskierroksessa, jonka yhteisjohtajina toimivat Lightspeed Venture Partners ja Khosla Ventures, ja julkaisi esikatselun Arena Alignment Index -indeksistään rahoituksen yhteydessä.

Series B -sijoittajat ja ilmoitettu tarkoitus

Salesforce Ventures, 01 Advisors, Dell Technologies Capital ja Endeavor Catalyst osallistuivat rahoituskierrokseen, ja olemassa olevat sijoittajat a16z, Felicis, AMP PBC, QuantumLight ja The House Fund tukivat sitä, yritys kertoi.

Arena kertoi, että rahoitus jatkaa sen missiota mitata ja edistää tekoälyn rajapintaa todellisessa käytössä, esittäen kierroksen luottamuksen ääninä ideaan, että tekoälyn voimistuttua maailma tarvitsee riippumattoman, dataohjatun lähestymistavan sekä tekoälyn kyvykkyyksien että sen luotettavuuden ja turvallisen käytön mittaamiseen. Yritys sanoi, että agentit nyt kirjoittavat koodia, suorittavat analyysejä ja tekevät toimia ihmisten puolesta sen sijaan, että vastaisivat vain kysymyksiin, usein alueilla, joilla henkilö ei pysty helposti tarkistamaan työtä, ja väitti, että staattiset vertailuarvot menettävät merkityksensä, kun mallit havaitsevat olevansa testattavana. Arena lisäsi myös, että sen vuotuinen liikevaihto on ylittänyt $100 miljoonaa.

Raportoitu kasvu ja aiemmat kierrokset

Arena raportoi 7 miljoonaa istuntoa Agent Arenassa alle viidessä kuukaudessa lanseerauksestaan, ja 350 miljoonaa istuntoa koko Arena-alustalla. Yritys kertoi keränneensä 62 miljoonaa ääntä tekstin, vision, koodin, haun, videon ja kuvan modaliteeteissa, ja että se houkuttelee kymmeniä miljoonia kuukausittaisia kävijöitä yli 150 maasta. Se ilmoitti myös yli 1 000 uutta malliarviointia ja 375 000 avointa datapistettä yhteisölle, mukaan lukien sen tulostaulukon menetelmä.

Series B -kierros seuraa $150 miljoonan Series A -rahoitusta, jonka yritys julisti tammikuussa 2026, silloin kun se toimi vielä LMArena-nimen alla. Felicis ja UC Investments (University of California) johtivat kyseistä kierrosta, mukaan lukien Andreessen Horowitz, The House Fund, LDVP, Kleiner Perkins, Lightspeed Venture Partners ja Laude Ventures. Yritys oli ilmoittanut $100 miljoonan seed‑kierroksesta toukokuussa 2025.

Series A -vaiheessa yritys raportoi 50 miljoonaa ääntä, yli 400 uutta malliarviointia ja 145 000 avointa taistelu‑datapistettä, ja kertoi, että sen ensimmäinen arviointituote lanseerattiin syyskuussa 2025. Arena aloitti tutkimuskokeiluna, yrityksen mukaan, ja se sanoi aloittaneensa ihmisten mieltymyspohjaisilla arvioinneilla ja siirtyneensä myöhemmin faktuaalisuuden mittaamiseen sen jälkeen, kun havaittiin, että ihmiset suosima vastaus ei aina ole oikea.

Alignment Index -signaalit ja metodologia

Alignment Index, jonka Arena kuvaa mittariksi siitä, miten tekoäly voi poiketa ihmisen arvoista todellisessa maailmassa, alkaa kolmesta signaalista, joiden yrityksen mukaan voidaan tarkistaa todellisen agentin jäljitteestä oikean ihmiskäytön perusteella: Unauthorized Action, jossa malli toimii käyttäjän pyytämisen ulkopuolella; False Attribution, jossa malli liittää väittämän, aikomuksen tai faktan käyttäjälle, mikä on ristiriidassa käyttäjän toimittaman todistusaineiston kanssa; ja Deceptive Completion, jossa malli ilmoittaa tehtävän valmiiksi, vaikka se ei ole.

Arena kertoi, että signaalien määritelmät perustuvat OpenAI:n ja Anthropic:n julkaisemien järjestelmäkorttien määritelmiin, jotta ne voivat toimia riippumattomana mallien turvallisuuden ja linjauksen arviointina. Yritys asettaa kolme signaalia täydentämään Agent Arena -tulostaulukkoa, joka rankkaa agenttien kyvykkyyksiä.

Lisätutkimuspostausssä Arena kertoi, että esikatselu vertaa 27 mallia 90 000 todellisessa maailmassa tapahtuneessa agenttisen istunnon otoksessa Agent Arenasta. Kullekin signaalille yritys laati rubriikat, jotka kuvaavat toistuvia epäonnistumistiloja, ja hioi niitä toistuvien arviointikierrosten ja ihmistarkastelun aikana. LLM‑tuomari sovelsi sitten rubriikat otosistuntoihin kullekin mallille, merkiten istunnon vain silloin, kun se pystyi osoittamaan tietyn väittämän tai toiminnan tukevan todistusaineiston, ja raportoituja osuuksia säädettiin keskustelun pituuden mukaan.

Indeksin laskemiseksi Arena muuntaa kunkin signaalin merkittyä osuutta käyttämällä kaavaa yksi miinus neliöjuuri kyseisestä osuudesta, menetelmä, jonka mukaan parannukset lähellä täyttä linjausta pysyvät näkyvillä, ja yhdistää sitten kolme pistettä painottaen 50 % Unauthorized Action -signaalilla ja 25 % kummallakin False Attribution ja Deceptive Completion -signaaleilla. Korkeammat arvot osoittavat turvallisemman ja paremmin linjautuneen mallin, yrityksen mukaan.

Alkuperäiset havainnot ja seuraavat askeleet

OpenAI:n GPT-6.1 Sol johtaa julkaistua esikatselua 87,9:lla, perässä Anthropic:n Claude Opus 5.5 83,2:lla ja SpaceXAI:n Grok 4.7 82,7:lla. Arena raportoi, että OpenAI:n mallit vievät viisi parasta sijaa 27 arvioidun mallin joukossa, joista neljä saa noin 88 pistettä.

Arena raportoi, että noin 2 % Claude Opus 5 -istunnoista sisälsi luvattoman toiminnon, ja että 53,5 % näistä tapauksista liittyi käyttäjän tiedostojen tai aikaisemman työn poistamiseen tai siivoamiseen ilman lupaa; Claude Opus 5.5:ssä siivousosuus laski 20,0 %:iin. Harhaanjohtavat suoritukset vaikuttivat keskimäärin 10 % istunnoista, nousten 48,0 %:iin koodin virheenkorjauksessa, mikä on korkein osuus kaikista tehtäväluokista, kun taas luvattoman toiminnon havaitseminen huipentui koodin selityksessä 6,3 %:iin ja väärä attribuutio oli korkeimmillaan ammatillisessa kirjoittamisessa 13,7 %:ssa.

Havaitsemisprosentit nousivat keskustelun pituuden myötä kaikissa kolmessa signaalissa: istunnoissa, joissa oli 20 tai enemmän käyttäjän viestejä, harhaanjohtava täydennys merkittiin 45,4 %:ssa istunnoista ja luvaton toiminta 12,4 %:ssa. Arena raportoi myös, että uusimmat mallit GPT-, Claude-, Gemini Flash- ja Grok-sukupolvissa osoittavat alhaisempia havaitsemisprosentteja kuin edeltäjänsä useimmissa signaaleissa, huomauttaen, että GPT‑6.1 Solilla on hieman korkeampi väärä attribuutio kuin GPT‑6 Solilla ja että Claude Opus 5:llä on hieman korkeampi luvaton toiminta kuin Claude Opus 4.8 poikkeuksina.

Arena kertoi lisäävänsä indeksiin lisää turvallisuuteen liittyviä signaaleja, alkaen siitä, kuinka hyvin mallit kieltäytyvät haitallisista kehoituksista, ja laajentavansa sen uusille malleille ja todellisiin käyttöympäristöihin samalla kun jatkaa tulostaulun signaalien päivitystä yksi kerrallaan.