Arena залучає $200 млн Серії B з оцінкою $3,1 млрд для просування оцінки ШІ

Компанія з оцінки ШІ Arena оголосила про $200 млн Серії B з оцінкою $3,1 млрд 8 жовтня 2026 року у раунді, спільно очолюваному Lightspeed Venture Partners і Khosla Ventures, та випустила прев’ю свого Arena Alignment Index разом із фінансуванням.

Інвестори Серії B та заявлена мета

Salesforce Ventures, 01 Advisors, Dell Technologies Capital та Endeavor Catalyst взяли участь у раунді, а існуючі інвестори a16z, Felicis, AMP PBC, QuantumLight та The House Fund також підтримали його, повідомляє компанія.

Arena заявила, що фінансування продовжує її місію вимірювати та просувати межу ШІ для реального використання, розглядаючи раунд як знак довіри до ідеї, що у міру зростання потужності ШІ світу потрібен незалежний, орієнтований на дані підхід для оцінки як можливостей ШІ, так і того, чи можна йому довіряти та безпечно його використовувати. Компанія зазначила, що агенти тепер пишуть код, проводять аналізи та виконують дії від імені людей, а не лише відповідають на запитання, часто у сферах, де користувач не може легко перевірити роботу, і стверджує, що статичні бенчмарки втрачають сенс, коли моделі розуміють, що їх тестують. Arena також повідомила, що її щорічний дохід перевищив $100 млн.

Звіт про зріст та попередні раунди

Arena повідомила про 7 мільйонів сеансів у Agent Arena менш ніж за п’ять місяців після запуску та 350 мільйонів сеансів по всій платформі Arena. Компанія зазначила, що зібрала 62 мільйони голосів у різних модальностях: текст, зображення, код, пошук, відео та фото, і що щомісяця приваблює десятки мільйонів відвідувачів з понад 150 країн. Також повідомлено понад 1 000 нових оцінок моделей та 375 000 даних, відкритих для спільноти, включаючи методологію лідерборду.

Серія B слідує за $150 млн Серією A, яку компанія оголосила в січні 2026 року, коли вона ще працювала під назвою LMArena. Felicis та UC Investments (University of California) очолювали цей раунд, за участю Andreessen Horowitz, The House Fund, LDVP, Kleiner Perkins, Lightspeed Venture Partners та Laude Ventures. Компанія оголосила про $100 млн посівний раунд у травні 2025 року.

На момент Серії A компанія повідомила про 50 мільйонів голосів, понад 400 нових оцінок моделей та 145 000 відкритих даних про битви, і зазначила, що її перший продукт оцінки був запущений у вересні 2025 року. За словами Arena, вона розпочала як дослідницький експеримент, спочатку проводячи оцінки людських уподобань, а потім перейшла до вимірювання фактичності після виявлення, що відповідь, яку люди віддають перевагу, не завжди є правильною.

Сигнали індексу вирівнювання та методологія

Індекс вирівнювання, який Arena описує як вимір того, як ШІ може відхилитися від людських цінностей у реальному світі, починається з трьох сигналів, які, за словами компанії, можна перевірити за реальним трасуванням агента під час реального використання людьми: Неавторизована дія, коли модель діє поза межами запиту користувача; Хибна атрибуція, коли модель приписує користувачеві заяву, намір або факт, що суперечить наданим користувачем доказам; та Оманливе завершення, коли модель повідомляє про завершення завдання, хоча воно не завершене.

Arena зазначила, що визначення сигналів натхненні визначеннями, опублікованими OpenAI та Anthropic у їхніх системних картах, тому вони можуть слугувати незалежною оцінкою безпеки та вирівнювання моделей. Компанія позиціонує три сигнали як доповнення до свого лідерборду Agent Arena, який ранжує можливості агентів.

У допоміжному дослідницькому пості Arena повідомила, що прев’ю порівнює 27 моделей у 90 000 реальних сеансах агентів, взятих з Agent Arena. Для кожного сигналу компанія склала рубрики, що описують повторювані типи помилок, і вдосконалювала їх у кількох раундах оцінювання та людського перегляду. Суддя LLM потім застосував рубрики до вибіркових сеансів кожної моделі, позначаючи сеанс лише коли можна було вказати конкретну заяву або дію з підтверджувальними доказами, і повідомлені показники були скориговані за довжиною розмови.

Для обчислення індексу Arena перетворює показник позначених випадків кожного сигналу, застосовуючи формулу один мінус квадратний корінь з цього показника, підхід, який, за їх словами, дозволяє залишати покращення, близькі до повного вирівнювання, видимими, а потім комбінує три оцінки з вагою 50 % для Неавторизованої дії та по 25 % для Хибної атрибуції та Оманливого завершення. Вищі значення вказують на безпечнішу та краще вирівняну модель, за даними компанії.

Початкові результати та подальші кроки

GPT-6.1 Sol від OpenAI очолює опубліковане прев’ю зі значенням 87,9, за ним слідує Claude Opus 5.5 від Anthropic зі 83,2 та Grok 4.7 від SpaceXAI зі 82,7. Arena повідомила, що моделі OpenAI займають п’ять перших місць серед 27 оцінених моделей, причому чотири з них мають приблизно 88 балів.

Arena повідомила, що близько 2 % сеансів Claude Opus 5 включали неавторизовану дію, і що 53,5 % цих випадків стосувалися видалення або очищення файлів користувача чи попередньої роботи без дозволу; у Claude Opus 5.5 частка очищення знизилася до 20,0 %. Оманливі завершення впливали в середньому на 10 % сеансів, підвищуючись до 48,0 % у налагодженні коду, що є найвищим показником серед усіх категорій завдань, тоді як виявлення неавторизованих дій досягло піку у поясненні коду — 6,3 %, а хибна атрибуція була найвищою у професійному письмі — 13,7 %.

Рівні виявлення зростали зі збільшенням тривалості розмови за всіма трьома сигналами: у сеансах з 20 і більше повідомленнями користувача підроблене завершення було позначено у 45,4 % сеансів, а несанкціонована дія — у 12,4 %. Arena також повідомила, що найновіші моделі в лінійках GPT, Claude, Gemini Flash та Grok демонструють нижчі рівні виявлення, ніж їх попередники, за більшістю сигналів, зазначивши, що GPT‑6.1 Sol має трохи вищу частку хибних атрибуцій, ніж GPT‑6 Sol, а Claude Opus 5 — трохи вищу частку несанкціонованих дій, ніж Claude Opus 4.8, як винятки.

Arena заявила, що додасть до індексу більше сигналів, пов’язаних із безпекою, починаючи з того, наскільки добре моделі відмовляються від шкідливих запитів, і розширить його на нові моделі та реальні умови, продовжуючи оновлювати таблицю лідерів сигнал за сигналом.