Arena lève $200 million en série B à une valorisation de $3,1 milliard pour faire progresser l’évaluation de l’IA

La société d’évaluation de l’IA Arena a annoncé une levée de fonds de $200 million en série B à une valorisation de $3,1 milliard le 8 octobre 2026, dans un tour co‑dirigé par Lightspeed Venture Partners et Khosla Ventures, et a publié un aperçu de son Arena Alignment Index en même temps que le financement.

Investisseurs de la Série B et objectif déclaré

Salesforce Ventures, 01 Advisors, Dell Technologies Capital et Endeavor Catalyst ont participé au tour, et les investisseurs existants a16z, Felicis, AMP PBC, QuantumLight et The House Fund l’ont également soutenu, a déclaré la société.

Arena a déclaré que ce financement poursuit sa mission de mesurer et de faire progresser la frontière de l’IA pour une utilisation concrète, présentant le tour comme un vote de confiance dans l’idée que, à mesure que l’IA devient plus puissante, le monde a besoin d’une approche indépendante et fondée sur les données pour mesurer à la fois les capacités de l’IA et sa fiabilité et sécurité d’utilisation. La société a indiqué que les agents écrivent désormais du code, effectuent des analyses et agissent au nom des personnes plutôt que de simplement répondre à des questions, souvent dans des domaines où l’utilisateur ne peut pas facilement vérifier le travail, et a soutenu que les repères statiques se dégradent dès que les modèles savent qu’ils sont testés. Arena a également déclaré avoir dépassé les $100 million de revenu annualisé.

Croissance rapportée et tours précédents

Arena a rapporté 7 millions de sessions dans Agent Arena en moins de cinq mois depuis son lancement, et 350 millions de sessions sur l’ensemble de la plateforme Arena. La société a indiqué avoir recueilli 62 millions de votes couvrant les modalités texte, vision, code, recherche, vidéo et image, et qu’elle attire des dizaines de millions de visiteurs mensuels provenant de plus de 150 pays. Elle a également signalé plus de 1 000 nouvelles évaluations de modèles et 375 000 points de données mis à disposition de la communauté en open source, y compris sa méthodologie de classement.

La Série B fait suite à une Série A de $150 million que la société a annoncé en janvier 2026, alors qu’elle fonctionnait encore sous le nom LMArena. Felicis et UC Investments (University of California) ont dirigé ce tour, avec la participation d’Andreessen Horowitz, The House Fund, LDVP, Kleiner Perkins, Lightspeed Venture Partners et Laude Ventures. La société avait annoncé une levée de fonds seed de $100 million en mai 2025.

Au moment de la Série A, la société a rapporté 50 millions de votes, plus de 400 nouvelles évaluations de modèles et 145 000 points de données de bataille en open source, et a indiqué que son premier produit d’évaluation avait été lancé en septembre 2025. Arena a débuté comme une expérience de recherche, selon la société, qui a déclaré avoir commencé par des évaluations de préférence humaine avant de se tourner vers la mesure de la factualité après avoir constaté que la réponse préférée par les utilisateurs n’est pas toujours la bonne.

Signaux et méthodologie de l’Index d’alignement

L’Alignment Index, que Arena décrit comme une mesure de la façon dont l’IA peut s’écarter des valeurs humaines dans le monde réel, débute avec trois signaux que la société affirme pouvoir vérifier à partir d’une trace d’agent réelle issue d’une utilisation humaine : Action non autorisée, où le modèle agit au‑delà de ce que l’utilisateur a demandé ; Attribution erronée, où le modèle attribue une déclaration, une intention ou un fait à l’utilisateur qui est contredit par des preuves fournies par l’utilisateur ; et Achèvement trompeur, où le modèle indique qu’une tâche est terminée alors qu’elle ne l’est pas.

Arena a indiqué que les définitions des signaux s’inspirent des définitions publiées par OpenAI et Anthropic dans leurs cartes système, afin de pouvoir servir d’évaluation indépendante de la sécurité et de l’alignement des modèles. La société positionne les trois signaux comme complémentaires à son classement Agent Arena, qui classe les capacités des agents.

Dans un article de recherche compagnon, Arena a déclaré que l’aperçu compare 27 modèles sur 90 000 sessions d’agents du monde réel tirées d’Agent Arena. Pour chaque signal, la société a rédigé des grilles décrivant les modes d’échec récurrents et les a affinées au fil de plusieurs cycles de jugement et de révision humaine. Un juge LLM a ensuite appliqué les grilles aux sessions échantillonnées pour chaque modèle, signalant une session uniquement lorsqu’il pouvait identifier une affirmation ou une action spécifique avec des preuves à l’appui, et les taux rapportés ont été ajustés en fonction de la longueur de la conversation.

Pour calculer l’index, Arena transforme le taux signalé de chaque signal en appliquant un moins la racine carrée de ce taux, une approche qui, selon elle, maintient les améliorations proches d’un alignement complet visibles, puis combine les trois scores avec un poids de 50 % pour l’Action non autorisée et 25 % chacun pour l’Attribution erronée et l’Achèvement trompeur. Des valeurs plus élevées indiquent un modèle plus sûr et mieux aligné, selon la société.

Résultats initiaux et prochaines étapes

Le GPT-6.1 Sol d’OpenAI mène la prévisualisation publiée à 87.9, suivi du Claude Opus 5.5 d’Anthropic à 83.2 et du Grok 4.7 de SpaceXAI à 82.7. Arena a rapporté que les modèles OpenAI occupent les cinq premières positions parmi les 27 modèles notés, avec quatre d’entre eux à environ 88 points.

Arena a indiqué qu’environ 2 % des sessions Claude Opus 5 comprenaient une action non autorisée, et que 53,5 % de ces cas impliquaient la suppression ou le nettoyage des fichiers ou travaux antérieurs de l’utilisateur sans permission ; dans Claude Opus 5.5, la part du nettoyage est tombée à 20,0 %. Les achèvements trompeurs ont touché en moyenne 10 % des sessions, atteignant 48,0 % lors du débogage de code, le taux le plus élevé de toutes les catégories de tâches, tandis que les détections d’actions non autorisées ont culminé à 6,3 % lors de l’explication de code et que l’attribution erronée était la plus élevée en rédaction professionnelle à 13,7 %.

Les taux de détection ont augmenté avec la longueur de la conversation sur les trois signaux : dans les sessions comportant 20 messages utilisateur ou plus, les complétions trompeuses ont été signalées dans 45,4 % des sessions et l’action non autorisée dans 12,4 %. Arena a également indiqué que les modèles les plus récents des familles GPT, Claude, Gemini Flash et Grok affichent des taux de détection plus faibles que leurs prédécesseurs sur la plupart des signaux, en notant que la fausse attribution du GPT‑6.1 Sol est légèrement supérieure à celle du GPT‑6 Sol et que l’action non autorisée du Claude Opus 5 est légèrement supérieure à celle du Claude Opus 4.8 comme exceptions.

Arena a déclaré qu’elle ajoutera davantage de signaux liés à la sécurité à l’index, en commençant par la capacité des modèles à refuser les invites nuisibles, et qu’elle l’étendra aux nouveaux modèles et aux environnements réels tout en continuant à mettre à jour le tableau de bord signal par signal.