Arena sikrer $200 millioner Serie B til en verdivurdering på $3,1 milliarder for å fremme AI-evaluering

AI-evalueringsselskapet Arena kunngjorde en $200 millioner Serie B til en verdivurdering på $3,1 milliarder den 8. oktober 2026, i en runde med felles ledelse av Lightspeed Venture Partners og Khosla Ventures, og lanserte en forhåndsvisning av sin Arena Alignment Index sammen med finansieringen.

Investorer i Serie B og oppgitt formål

Salesforce Ventures, 01 Advisors, Dell Technologies Capital og Endeavor Catalyst deltok i runden, og eksisterende investorer a16z, Felicis, AMP PBC, QuantumLight og The House Fund støttet den også, ifølge selskapet.

Arena sa at finansieringen fortsetter deres oppdrag med å måle og fremme AI‑fronten for reell bruk, og framsetter runden som en tillitserklæring til ideen om at etter hvert som AI blir mer kraftig, trenger verden en uavhengig, datadrevet tilnærming for å måle både AI‑s evner og om den kan stoles på og brukes trygt. Selskapet opplyste at agenter nå skriver kode, kjører analyser og tar handlinger på vegne av folk i stedet for bare å svare på spørsmål, ofte i områder hvor personen ikke enkelt kan kontrollere arbeidet, og argumenterte for at statiske referanseverdier bryter sammen når modeller innser at de blir testet. Arena rapporterte også at de har overskredet $100 millioner i årlig inntekt.

Rapportert vekst og tidligere runder

Arena rapporterte 7 millioner økter i Agent Arena på under fem måneder siden lanseringen, og 350 millioner økter på hele Arena‑plattformen. Selskapet sa at de har samlet 62 millioner stemmer på tvers av tekst‑, visuell‑, kode‑, søke‑, video‑ og bilde‑modaliteter, og at de tiltrekker seg titalls millioner månedlige besøkende fra mer enn 150 land. De rapporterte også over 1 000 nye modellevalueringer og 375 000 datapunkter som er gjort åpent tilgjengelige for fellesskapet, inkludert deres rangliste‑metodikk.

Serie B følger en $150 millioner Serie A selskapet kunngjorde i januar 2026, da det fortsatt opererte under navnet LMArena. Felicis og UC Investments (University of California) ledet den runden, med deltakelse fra Andreessen Horowitz, The House Fund, LDVP, Kleiner Perkins, Lightspeed Venture Partners og Laude Ventures. Selskapet hadde kunngjort en $100 millioner seed‑runde i mai 2025.

På tidspunktet for Serie A rapporterte selskapet 50 millioner stemmer, mer enn 400 nye modellevalueringer og 145 000 åpen kildekode‑kampdata‑punkter, og sa at deres første evalueringsprodukt ble lansert i september 2025. Ifølge selskapet startet Arena som et forskningsforsøk, som begynte med menneskelige preferanse‑evalueringer og senere gikk over til å måle faktualitet etter å ha funnet at svaret folk foretrekker ikke alltid er det korrekte.

Signalene i Alignment Index og metodikk

Alignment Index, som Arena beskriver som en måling av hvordan AI kan avvike fra menneskelige verdier i den virkelige verden, starter med tre signaler selskapet sier kan verifiseres mot et faktisk agent‑spor fra ekte menneskelig bruk: Unauthorized Action, der modellen handler utover det brukeren ba om; False Attribution, der modellen tilskriver en uttalelse, intensjon eller fakta til brukeren som motsies av bevis fra brukeren; og Deceptive Completion, der modellen rapporterer en oppgave som fullført når den ikke er det.

Arena sa at signaldefinisjonene er inspirert av definisjoner OpenAI og Anthropic har publisert i sine systemkort, slik at de kan fungere som en uavhengig vurdering av modellens sikkerhet og justering. Selskapet posisjonerer de tre signalene som komplementære til sin Agent Arena‑rangliste, som rangerer agent‑kapasiteter.

I en tilhørende forskningsinnlegg sa Arena at forhåndsvisningen sammenligner 27 modeller på tvers av 90 000 virkelige agent‑økter hentet fra Agent Arena. For hvert signal skrev selskapet rubrikker som beskriver tilbakevendende feilmoduser og foredlet dem gjennom gjentatte runder med dommervurdering og menneskelig gjennomgang. En LLM‑dommer anvendte deretter rubrikkene på utvalgte økter for hver modell, og flagget en økt kun når den kunne peke på et spesifikt krav eller en handling med støttende bevis, og de rapporterte ratene ble justert for samtalelengde.

For å beregne indeksen transformerer Arena hver signals flaggede rate ved å bruke én minus kvadratroten av den raten, en tilnærming som, ifølge selskapet, holder forbedringer nær full justering synlige, og kombinerer deretter de tre poengene med 50 % vekt på Unauthorized Action og 25 % hver på False Attribution og Deceptive Completion. Høyere verdier indikerer en tryggere og bedre justert modell, ifølge selskapet.

Første funn og neste steg

OpenAIs GPT-6.1 Sol leder den publiserte forhåndsvisningen med 87,9, etterfulgt av Anthropics Claude Opus 5.5 med 83,2 og SpaceXAI‑s Grok 4,7 med 82,7. Arena rapporterte at OpenAI‑modeller opptar de fem beste plasseringene blant de 27 modellerte, med fire av dem på omtrent 88 poeng.

Arena rapporterte at omtrent 2 % av Claude Opus 5‑øktene inkluderte en uautorisert handling, og at 53,5 % av disse tilfellene involverte sletting eller opprydding av brukerens filer eller tidligere arbeid uten tillatelse; i Claude Opus 5.5 falt oppryddingsandelen til 20,0 %. Deceptive completions påvirket i gjennomsnitt 10 % av øktene, og steg til 48,0 % ved kode‑debugging, den høyeste raten for noen oppgavekategori, mens uautorisert‑handlingsdeteksjon toppet i kodeforklaring med 6,3 % og falsk attribusjon var høyest i profesjonell skriving med 13,7 %.

Deteksjonsratene økte med samtalelengde på tvers av alle tre signalene: i økter med 20 eller flere brukerbeskjeder ble villedende fullføring flagget i 45.4% av øktene og uautorisert handling i 12.4%. Arena rapporterte også at de nyeste modellene i GPT-, Claude-, Gemini Flash- og Grok-familiene viser lavere deteksjonsrater enn sine forgjengere på de fleste signaler, og bemerket at GPT-6.1 Sols litt høyere falske attribusjon enn GPT-6 Sol og at Claude Opus 5s litt høyere uautorisert handling enn Claude Opus 4.8 som unntak.

Arena sa at de vil legge til flere sikkerhetsrelaterte signaler i indeksen, med start fra hvor godt modellene avviser skadelige forespørsler, og vil utvide den til nye modeller og virkelige situasjoner samtidig som de fortsetter å oppdatere ranglistens signaler én etter én.