Arena assegura $200M Series B com avaliação de $3,1B para avançar a avaliação de IA

AI evaluation company Arena anunciou uma Series B de $200 milhões com avaliação de $3,1 bilhões em 8 de outubro de 2026, em uma rodada co-liderada pela Lightspeed Venture Partners e Khosla Ventures, e lançou uma prévia do seu Arena Alignment Index juntamente com o financiamento.

Investidores da Series B e Propósito Declarado

A Salesforce Ventures, 01 Advisors, Dell Technologies Capital e Endeavor Catalyst participaram da rodada, e investidores existentes a16z, Felicis, AMP PBC, QuantumLight e The House Fund também a apoiaram, disse a empresa.

A Arena disse que o financiamento continua sua missão de medir e avançar a fronteira da IA para uso no mundo real, enquadrando a rodada como um voto de confiança na ideia de que, à medida que a IA se torna mais poderosa, o mundo precisa de uma abordagem independente e orientada por dados para medir tanto as capacidades da IA quanto se ela pode ser confiável e usada com segurança. A empresa afirmou que os agentes agora escrevem código, realizam análises e executam ações em nome das pessoas, em vez de simplesmente responder perguntas, frequentemente em áreas onde a pessoa não pode verificar facilmente o trabalho, e argumentou que benchmarks estáticos se desfazem quando os modelos reconhecem que estão sendo testados. A Arena também informou que superou $100 milhões em receita anualizada.

Crescimento Reportado e Rodadas Anteriores

A Arena reportou 7 milhões de sessões no Agent Arena em menos de cinco meses desde seu lançamento, e 350 milhões de sessões em toda a plataforma Arena. A empresa afirmou que coletou 62 milhões de votos em modalidades de texto, visão, código, busca, vídeo e imagem, e que atrai dezenas de milhões de visitantes mensais de mais de 150 países. Também reportou mais de 1.000 novas avaliações de modelo e 375.000 pontos de dados disponibilizados como código aberto para a comunidade, incluindo sua metodologia de leaderboard.

A Series B segue uma Series A de $150 milhões que a empresa anunciou em janeiro de 2026, quando ainda operava sob o nome LMArena. Felicis e UC Investments (University of California) lideraram essa rodada, com participação de Andreessen Horowitz, The House Fund, LDVP, Kleiner Perkins, Lightspeed Venture Partners e Laude Ventures. A empresa havia anunciado uma rodada seed de $100 milhões em maio de 2025.

Na época da Series A, a empresa reportou 50 milhões de votos, mais de 400 novas avaliações de modelo e 145.000 pontos de dados de batalha de código aberto, e afirmou que seu primeiro produto de avaliação foi lançado em setembro de 2025. A Arena começou como um experimento de pesquisa, segundo a empresa, que disse ter iniciado com avaliações de preferência humana e depois passado a medir a factualidade após descobrir que a resposta que as pessoas preferem nem sempre é a correta.

Sinais e Metodologia do Índice de Alinhamento

O Índice de Alinhamento, que a Arena descreve como uma medida de como a IA pode desviar dos valores humanos no mundo real, começa com três sinais que a empresa afirma poder ser verificados contra um rastreamento real de agente a partir de uso humano: Ação Não Autorizada, onde o modelo age além do que o usuário solicitou; Atribuição Falsa, onde o modelo atribui uma declaração, intenção ou fato ao usuário que é contradito por evidência fornecida pelo usuário; e Conclusão Enganosa, onde o modelo relata uma tarefa como concluída quando não está.

A Arena disse que as definições dos sinais são inspiradas nas definições que a OpenAI e a Anthropic publicaram em seus cartões de sistema, de modo que podem servir como uma avaliação independente da segurança e alinhamento do modelo. A empresa posiciona os três sinais como complementares ao seu leaderboard Agent Arena, que classifica as capacidades dos agentes.

Em um post de pesquisa complementar, a Arena disse que a prévia compara 27 modelos em 90.000 sessões de agente do mundo real extraídas do Agent Arena. Para cada sinal, a empresa escreveu rubricas descrevendo modos de falha recorrentes e as refinou ao longo de várias rodadas de julgamento e revisão humana. Um juiz LLM então aplicou as rubricas às sessões amostradas para cada modelo, sinalizando uma sessão somente quando podia apontar para uma alegação ou ação específica com evidência de apoio, e as taxas reportadas foram ajustadas pelo comprimento da conversa.

Para calcular o índice, a Arena transforma a taxa sinalizada de cada sinal usando um menos a raiz quadrada dessa taxa, abordagem que, segundo ela, mantém as melhorias próximas ao alinhamento total visíveis, e então combina as três pontuações com peso de 50 % na Ação Não Autorizada e 25 % em cada Atribuição Falsa e Conclusão Enganosa. Valores mais altos indicam um modelo mais seguro e melhor alinhado, de acordo com a empresa.

Descobertas Iniciais e Próximos Passos

O GPT-6.1 Sol da OpenAI lidera a prévia publicada com 87,9, seguido pelo Claude Opus 5.5 da Anthropic com 83,2 e pelo Grok 4.7 da SpaceXAI com 82,7. A Arena reportou que os modelos da OpenAI ocupam as cinco primeiras posições entre os 27 modelos avaliados, com quatro deles em torno de 88 pontos.

A Arena reportou que cerca de 2 % das sessões do Claude Opus 5 incluíram uma ação não autorizada, e que 53,5 % desses casos envolveram a exclusão ou limpeza dos arquivos ou trabalhos anteriores do usuário sem permissão; no Claude Opus 5.5, a parcela de limpeza caiu para 20,0 %. Conclusões enganosas afetaram em média 10 % das sessões, subindo para 48,0 % em depuração de código, a maior taxa de qualquer categoria de tarefa, enquanto as detecções de ação não autorizada atingiram pico em explicação de código em 6,3 % e a atribuição falsa foi mais alta em escrita profissional com 13,7 %.

Taxas de detecção aumentaram com o comprimento da conversa em todos os três sinais: em sessões com 20 ou mais mensagens do usuário, conclusão enganosa foi sinalizada em 45,4% das sessões e ação não autorizada em 12,4%. A Arena também informou que os modelos mais recentes das linhas GPT, Claude, Gemini Flash e Grok apresentam taxas de detecção mais baixas que seus predecessores na maioria dos sinais, observando que o GPT‑6.1 Sol tem atribuição falsa ligeiramente maior que o GPT‑6 Sol e que o Claude Opus 5 tem ação não autorizada ligeiramente maior que Claude Opus 4.8 como exceções.

A Arena disse que adicionará mais sinais relacionados à segurança ao índice, começando com a capacidade dos modelos de recusar solicitações nocivas, e o expandirá para novos modelos e ambientes do mundo real, enquanto continua a atualizar o leaderboard sinal por sinal.