Arena säkrar $200 M Series B med en $3,1 B värdering för att främja AI‑utvärdering

AI‑utvärderingsföretaget Arena annonserade en Series B på $200 miljoner vid en värdering på $3,1 miljarder den 8 oktober 2026, i en runda som co‑leddes av Lightspeed Venture Partners och Khosla Ventures, och släppte en förhandsvisning av sitt Arena Alignment Index tillsammans med finansieringen.

Series B‑investerare och angivet syfte

Salesforce Ventures, 01 Advisors, Dell Technologies Capital och Endeavor Catalyst deltog i rundan, och befintliga investerare a16z, Felicis, AMP PBC, QuantumLight och The House Fund stödde den också, säger företaget.

Arena säger att finansieringen fortsätter deras uppdrag att mäta och driva AI‑fronten framåt för verklig användning, och presenterar rundan som ett förtroendebetyg för idén att när AI blir kraftfullare behöver världen ett oberoende, datadrivet tillvägagångssätt för att mäta både AI:s förmågor och huruvida den kan litas på och användas säkert. Företaget uppger att agenter nu skriver kod, utför analyser och vidtar åtgärder på människors vägnar snarare än bara svarar på frågor, ofta inom områden där personen inte enkelt kan granska arbetet, och menar att statiska referensramar faller sönder när modeller inser att de testas. Arena säger också att de har överstigit $100 miljoner i årlig intäkt.

Rapporterad tillväxt och tidigare rundor

Arena rapporterade 7 miljoner sessioner i Agent Arena på mindre än fem månader sedan lanseringen, och 350 miljoner sessioner på hela Arena‑plattformen. Företaget uppger att de har samlat in 62 miljoner röster över text-, vision-, kod-, sök-, video- och bildmodaliteter, och att de lockar tiotals miljoner månatliga besökare från mer än 150 länder. De rapporterade också över 1 000 nya modellevalueringar och 375 000 datapunkter som har öppnats för communityn, inklusive deras metodik för topplistan.

Series B följer en Series A på $150 miljoner som företaget annonserade i januari 2026, då det fortfarande opererade under namnet LMArena. Felicis och UC Investments (University of California) ledde den rundan, med deltagande från Andreessen Horowitz, The House Fund, LDVP, Kleiner Perkins, Lightspeed Venture Partners och Laude Ventures. Företaget hade tidigare annonserat en seed‑runda på $100 miljoner i maj 2025.

Vid tidpunkten för Series A rapporterade företaget 50 miljoner röster, mer än 400 nya modellevalueringar och 145 000 öppna stridsdatapunkter, och sade att deras första utvärderingsprodukt lanserades i september 2025. Enligt företaget började Arena som ett forskningsexperiment, som inleddes med mänskliga preferensevalueringar och senare övergick till att mäta faktualitet efter att ha upptäckt att det svar som människor föredrar inte alltid är det korrekta.

Signal för Alignment Index och metodik

Alignment Index, som Arena beskriver som ett mått på hur AI kan avvika från mänskliga värderingar i verkligheten, inleds med tre signaler som företaget säger kan verifieras mot ett faktiskt agentspår från verklig mänsklig användning: Obehörig handling, där modellen agerar bortom vad användaren begärde; Felaktig tillskrivning, där modellen tillskriver ett påstående, en avsikt eller ett faktum till användaren som motsägs av bevis som användaren tillhandahåller; och Vilseledande slutförande, där modellen rapporterar att en uppgift är slutförd när den inte är det.

Arena säger att signaldefinitionerna är inspirerade av definitioner som OpenAI och Anthropic har publicerat i sina systemkort, så att de kan fungera som en oberoende bedömning av modellens säkerhet och alignment. Företaget placerar de tre signalerna som ett komplement till sin Agent Arena‑topplista, som rangordnar agenters förmågor.

I ett tillhörande forskningsinlägg sade Arena att förhandsvisningen jämför 27 modeller över 90 000 agent‑sessioner i verkliga världen hämtade från Agent Arena. För varje signal skrev företaget rubriker som beskriver återkommande felmoder och förfinade dem genom upprepade omgångar av bedömning och mänsklig granskning. En LLM‑domare tillämpade sedan rubrikerna på urvalda sessioner för varje modell, och flaggade en session endast när den kunde peka på ett specifikt påstående eller en handling med stödjande bevis, och de rapporterade frekvenserna justerades för samtalets längd.

För att beräkna indexet omvandlar Arena varje signals flaggningsfrekvens med ett minus kvadratroten av den frekvensen, ett tillvägagångssätt som de säger behåller förbättringar nära fullständig alignment synliga, och kombinerar sedan de tre poängen med 50 % vikt på Obehörig handling och 25 % vardera på Felaktig tillskrivning och Vilseledande slutförande. Högre värden indikerar en säkrare och bättre anpassad modell, enligt företaget.

Inledande fynd och nästa steg

OpenAIs GPT-6.1 Sol ligger i framkant i den publicerade förhandsvisningen med 87,9, följt av Anthropics Claude Opus 5.5 med 83,2 och SpaceXAI:s Grok 4.7 med 82,7. Arena rapporterade att OpenAI-modellerna intar de fem bästa positionerna bland de 27 modeller som poängsatts, med fyra av dem på omkring 88 poäng.

Arena rapporterade att cirka 2 % av Claude Opus 5‑sessionerna innehöll en obehörig handling, och att 53,5 % av dessa fall involverade att radera eller städa upp användarens filer eller tidigare arbete utan tillstånd; i Claude Opus 5.5 föll andelen städning till 20,0 %. Vilseledande slutföranden påverkade i genomsnitt 10 % av sessionerna, och steg till 48,0 % vid koddebuggning, den högsta frekvensen för någon uppgiftstyp, medan upptäckter av obehöriga handlingar toppade i kodförklaring med 6,3 % och felaktig tillskrivning var högst i professionellt skrivande med 13,7 %.

Detekteringsfrekvenserna ökade med samtalets längd för alla tre signalerna: i sessioner med 20 eller fler användarmeddelanden flaggades vilseledande slutföranden i 45,4 % av sessionerna och obehöriga åtgärder i 12,4 %. Arena rapporterade också att de nyaste modellerna i GPT‑, Claude‑, Gemini Flash‑ och Grok‑släktena visar lägre detekteringsfrekvenser än sina föregångare för de flesta signaler, och noterar att GPT‑6.1 Sol har något högre falsk tillskrivning än GPT‑6 Sol samt att Claude Opus 5 har något högre obehörig åtgärd än Claude Opus 4.8 som undantag.

Arena sade att de kommer att lägga till fler säkerhetsrelaterade signaler i indexet, med början med hur väl modeller avvisar skadliga uppmaningar, och att de kommer att expandera det till nya modeller och verkliga miljöer samtidigt som de fortsätter att uppdatera resultattavlans signaler en efter en.