Arena haalt $200M Series B op bij een waardering van $3,1B om AI-evaluatie te bevorderen

AI-evaluatiebedrijf Arena kondigde een Series B van $200 miljoen aan tegen een waardering van $3,1 miljard op 8 oktober 2026, in een ronde die mede werd geleid door Lightspeed Venture Partners en Khosla Ventures, en bracht een preview van zijn Arena Alignment Index uit naast de financiering.

Series B-investeerders en verklaarde doelstelling

Salesforce Ventures, 01 Advisors, Dell Technologies Capital en Endeavor Catalyst namen deel aan de ronde, en bestaande investeerders a16z, Felicis, AMP PBC, QuantumLight en The House Fund ondersteunden deze ook, aldus het bedrijf.

Arena zei dat de financiering haar missie voortzet om de AI-grens te meten en te bevorderen voor gebruik in de echte wereld, en positioneert de ronde als een stem van vertrouwen in het idee dat naarmate AI krachtiger wordt, de wereld een onafhankelijke, data‑gedreven aanpak nodig heeft om zowel de mogelijkheden van AI als de betrouwbaarheid en veilige inzet te meten. Het bedrijf stelde dat agents nu code schrijven, analyses uitvoeren en acties namens mensen ondernemen in plaats van alleen vragen te beantwoorden, vaak op gebieden waar de persoon het werk niet gemakkelijk kan controleren, en betoogde dat statische benchmarks falen zodra modellen zich ervan bewust zijn dat ze getest worden. Arena meldde bovendien dat het een jaarlijkse omzet van meer dan $100 miljoen heeft overschreden.

Gerapporteerde groei en eerdere rondes

Arena meldde 7 miljoen sessies in Agent Arena in minder dan vijf maanden sinds de lancering, en 350 miljoen sessies op het volledige Arena‑platform. Het bedrijf zei dat het 62 miljoen stemmen heeft verzameld over tekst-, visie-, code-, zoek-, video- en beeldmodaliteiten, en dat het tientallen miljoenen maandelijkse bezoekers aantrekt uit meer dan 150 landen. Het meldde bovendien meer dan 1.000 nieuwe model‑evaluaties en 375.000 datapoints die open source zijn gemaakt voor de gemeenschap, inclusief de methodologie van zijn ranglijst.

De Series B volgt op een Series A van $150 miljoen die het bedrijf kondigde in januari 2026, toen het nog opereerde onder de naam LMArena. Felicis en UC Investments (University of California) leidden die ronde, met deelname van Andreessen Horowitz, The House Fund, LDVP, Kleiner Perkins, Lightspeed Venture Partners en Laude Ventures. Het bedrijf had in mei 2025 een seed‑ronde van $100 miljoen aangekondigd.

Ten tijde van de Series A rapporteerde het bedrijf 50 miljoen stemmen, meer dan 400 nieuwe model‑evaluaties en 145.000 open‑source battle‑datapunten, en meldde dat zijn eerste evaluatieproduct in september 2025 werd gelanceerd. Volgens het bedrijf begon Arena als een onderzoeksexperiment, waarbij het initieel menselijke voorkeursevaluaties uitvoerde en later overging op het meten van feitelijkheid nadat bleek dat de reactie die mensen verkiezen niet altijd de juiste is.

Signalering en methodologie van de Alignment Index

De Alignment Index, die Arena omschrijft als een meting van hoe AI kan afwijken van menselijke waarden in de echte wereld, begint met drie signalen die het bedrijf zegt te kunnen verifiëren aan de hand van een daadwerkelijke agent‑trace uit echt menselijk gebruik: Unauthorized Action, waarbij het model handelt buiten wat de gebruiker heeft gevraagd; False Attribution, waarbij het model een uitspraak, intentie of feit aan de gebruiker toeschrijft dat wordt weerlegd door door de gebruiker geleverde bewijzen; en Deceptive Completion, waarbij het model een taak als voltooid meldt terwijl dat niet het geval is.

Arena zei dat de signaaldefinities geïnspireerd zijn op definities die OpenAI en Anthropic in hun system cards hebben gepubliceerd, zodat ze kunnen dienen als een onafhankelijke beoordeling van modelveiligheid en -alignment. Het bedrijf positioneert de drie signalen als complementair aan zijn Agent Arena‑ranglijst, die agent‑capaciteiten rangschikt.

In een bijbehorend onderzoeksbericht meldde Arena dat de preview 27 modellen vergelijkt over 90.000 real‑world agent‑sessies afkomstig van Agent Arena. Voor elk signaal schreef het bedrijf rubrieken die terugkerende faalmodi beschrijven en verfijnde deze in meerdere rondes van beoordeling en menselijke review. Een LLM‑rechter paste vervolgens de rubrieken toe op steekproef‑sessies voor elk model, en markeerde een sessie alleen wanneer hij kon wijzen op een specifieke claim of actie met ondersteunend bewijs, en de gerapporteerde percentages werden aangepast voor gesprekstijd.

Om de index te berekenen, transformeert Arena de gemarkeerde ratio van elk signaal met behulp van één min de vierkantswortel van die ratio, een benadering die volgens hen verbeteringen nabij volledige alignment zichtbaar houdt, en combineert vervolgens de drie scores met 50 % gewicht voor Unauthorized Action en 25 % elk voor False Attribution en Deceptive Completion. Hogere waarden duiden op een veiliger en beter afgestemd model, aldus het bedrijf.

Eerste bevindingen en volgende stappen

OpenAI’s GPT-6.1 Sol leidt de gepubliceerde preview met 87,9, gevolgd door Anthropic’s Claude Opus 5.5 met 83,2 en SpaceXAI’s Grok 4.7 met 82,7. Arena meldde dat OpenAI‑modellen de top vijf posities innemen onder de 27 beoordeelde modellen, waarbij vier daarvan rond de 88 punten scoren.

Arena meldde dat ongeveer 2 % van de Claude Opus 5‑sessies een ongeautoriseerde actie bevatte, en dat 53,5 % van die gevallen ging over het verwijderen of opruimen van de bestanden of eerder werk van de gebruiker zonder toestemming; in Claude Opus 5.5 daalde het opruimpercentage tot 20,0 %. Misleidende voltooiingen troffen gemiddeld 10 % van de sessies, oplopend tot 48,0 % bij code‑debugging, het hoogste percentage van alle taakcategorieën, terwijl detecties van ongeautoriseerde acties piekten bij code‑uitleg met 6,3 % en valse toeschrijvingen het hoogst waren bij professioneel schrijven met 13,7 %.

Detectieratio’s stegen met de gesprekstijd over alle drie signalen: in sessies met 20 of meer gebruikersberichten werd misleidende voltooiing gemarkeerd in 45,4 % van de sessies en ongeautoriseerde actie in 12,4 %. Arena meldde ook dat de nieuwste modellen in de GPT-, Claude-, Gemini Flash- en Grok‑linages lagere detectieratio’s laten zien dan hun voorgangers bij de meeste signalen, waarbij werd opgemerkt dat GPT-6.1 Sol een iets hogere valse toeschrijving heeft dan GPT-6 Sol en Claude Opus 5 een iets hogere ongeautoriseerde actie dan Claude Opus 4.8 als uitzonderingen.

Arena zei dat het meer veiligheid‑gerelateerde signalen aan de index zal toevoegen, te beginnen met hoe goed modellen schadelijke prompts weigeren, en dat het deze zal uitbreiden naar nieuwe modellen en real‑world omgevingen, terwijl het de ranglijst signaal voor signaal blijft bijwerken.