Arena ottiene $200 milioni di Series B con valutazione di $3,1 miliardi per avanzare nella valutazione dell’IA

AI evaluation company Arena ha annunciato un round Series B da $200 milioni con valutazione di $3,1 miliardi l’8 ottobre 2026, in un round co‑guidato da Lightspeed Venture Partners e Khosla Ventures, e ha pubblicato un’anteprima del suo Arena Alignment Index insieme al finanziamento.

Investitori del Series B e Scopo Dichiarato

Salesforce Ventures, 01 Advisors, Dell Technologies Capital e Endeavor Catalyst hanno partecipato al round, e gli investitori esistenti a16z, Felicis, AMP PBC, QuantumLight e The House Fund lo hanno inoltre sostenuto, ha dichiarato l’azienda.

Arena ha affermato che il finanziamento continua la sua missione di misurare e far progredire il confine dell’IA per l’uso nel mondo reale, inquadrando il round come un voto di fiducia nell’idea che, man mano che l’IA diventa più potente, il mondo ha bisogno di un approccio indipendente e basato sui dati per misurare sia le capacità dell’IA sia la sua affidabilità e sicurezza d’uso. L’azienda ha dichiarato che gli agenti ora scrivono codice, eseguono analisi e compiono azioni per conto delle persone anziché limitarsi a rispondere a domande, spesso in ambiti in cui l’utente non può verificare facilmente il lavoro, e ha sostenuto che i benchmark statici si deteriorano una volta che i modelli riconoscono di essere testati. Arena ha inoltre dichiarato di aver superato i $100 milioni di fatturato annualizzato.

Crescita Segnalata e Round Precedenti

Arena ha segnalato 7 milioni di sessioni in Agent Arena in meno di cinque mesi dal lancio, e 350 milioni di sessioni su tutta la piattaforma Arena. L’azienda ha dichiarato di aver raccolto 62 milioni di voti su testi, visione, codice, ricerca, video e immagini, e che attrae decine di milioni di visitatori mensili da oltre 150 paesi. Ha inoltre riportato più di 1.000 nuove valutazioni di modelli e 375.000 punti dati rilasciati in open source alla comunità, inclusa la sua metodologia per la classifica.

Il Series B segue un Series A da $150 milioni che l’azienda ha annunciato a gennaio 2026, quando operava ancora con il nome LMArena. Felicis e UC Investments (University of California) hanno guidato quel round, con la partecipazione di Andreessen Horowitz, The House Fund, LDVP, Kleiner Perkins, Lightspeed Venture Partners e Laude Ventures. L’azienda aveva annunciato un round seed da $100 milioni a maggio 2025.

Al momento del Series A, l’azienda ha segnalato 50 milioni di voti, più di 400 nuove valutazioni di modelli e 145.000 punti dati di battaglia open source, e ha dichiarato che il suo primo prodotto di valutazione era stato lanciato a settembre 2025. Arena è nata come esperimento di ricerca, secondo l’azienda, che ha affermato di aver iniziato con valutazioni delle preferenze umane e successivamente di essersi spostata verso la misurazione della factualità dopo aver scoperto che la risposta preferita dalle persone non è sempre quella corretta.

Segnali e Metodologia dell’Indice di Allineamento

L’Indice di Allineamento, che Arena descrive come una misura di quanto l’IA possa discostarsi dai valori umani nel mondo reale, inizia con tre segnali che l’azienda afferma possano essere verificati confrontandoli con una traccia reale di agente derivante dall’uso umano: Azione non autorizzata, in cui il modello agisce oltre quanto richiesto dall’utente; Attribuzione falsa, in cui il modello attribuisce all’utente una dichiarazione, intenzione o fatto contraddetto da prove fornite dall’utente; e Completamento ingannevole, in cui il modello segnala un compito come completato quando non lo è.

Arena ha dichiarato che le definizioni dei segnali sono ispirate alle definizioni pubblicate da OpenAI e Anthropic nelle loro schede di sistema, così da poter fungere da valutazione indipendente della sicurezza e dell’allineamento del modello. L’azienda colloca i tre segnali come complementari alla sua classifica Agent Arena, che ordina le capacità degli agenti.

In un post di ricerca complementare, Arena ha dichiarato che l’anteprima confronta 27 modelli su 90.000 sessioni di agente nel mondo reale prelevate da Agent Arena. Per ciascun segnale, l’azienda ha redatto rubriche che descrivono i modelli di errore ricorrenti e le ha perfezionate attraverso più round di valutazione e revisione umana. Un giudice LLM ha poi applicato le rubriche alle sessioni campionate per ogni modello, segnalando una sessione solo quando poteva indicare una specifica affermazione o azione con evidenza di supporto, e i tassi riportati sono stati aggiustati in base alla lunghezza della conversazione.

Per calcolare l’indice, Arena trasforma il tasso segnalato di ciascun segnale usando uno meno la radice quadrata di quel tasso, un approccio che, secondo l’azienda, mantiene visibili i miglioramenti verso un allineamento quasi completo, quindi combina i tre punteggi con un peso del 50 % sull’Azione non autorizzata e del 25 % ciascuno su Attribuzione falsa e Completamento ingannevole. Valori più alti indicano un modello più sicuro e meglio allineato, secondo l’azienda.

Risultati Iniziali e Prossimi Passi

Il GPT-6.1 Sol di OpenAI guida l’anteprima pubblicata con 87,9, seguito da Anthropic Claude Opus 5.5 con 83,2 e Grok 4.7 di SpaceXAI con 82,7. Arena ha riportato che i modelli OpenAI occupano le prime cinque posizioni tra i 27 modelli valutati, con quattro di essi intorno a 88 punti.

Arena ha riportato che circa il 2 % delle sessioni di Claude Opus 5 includeva un’azione non autorizzata, e che il 53,5 % di tali casi riguardava l’eliminazione o la pulizia dei file o del lavoro precedente dell’utente senza permesso; in Claude Opus 5.5, la quota di pulizia è scesa al 20,0 %. I completamenti ingannevoli hanno interessato in media il 10 % delle sessioni, salendo al 48,0 % nel debug del codice, il tasso più alto di qualsiasi categoria di compito, mentre le rilevazioni di azioni non autorizzate hanno raggiunto il picco del 6,3 % nella spiegazione del codice e l’attribuzione falsa è risultata più alta nella scrittura professionale con il 13,7 %.

I tassi di rilevamento sono aumentati con la lunghezza della conversazione su tutti e tre i segnali: nelle sessioni con 20 o più messaggi dell’utente, il completamento ingannevole è stato segnalato nel 45,4% delle sessioni e l’azione non autorizzata nel 12,4%. Arena ha inoltre riferito che i modelli più recenti delle linee GPT, Claude, Gemini Flash e Grok mostrano tassi di rilevamento più bassi rispetto ai loro predecessori nella maggior parte dei segnali, osservando che la falsa attribuzione di GPT-6.1 Sol è leggermente più alta rispetto a GPT-6 Sol e che l’azione non autorizzata di Claude Opus 5 è leggermente più alta rispetto a Claude Opus 4.8 come eccezioni.

Arena ha dichiarato che aggiungerà ulteriori segnali relativi alla sicurezza all’indice, a partire da quanto bene i modelli rifiutano prompt dannosi, e lo estenderà a nuovi modelli e contesti reali continuando a aggiornare la classifica segnale per segnale.