AREX Feed Article
AI 评测平台 Arena 宣布完成 2 亿美元 B 轮融资，估值 31 亿美元，并推出 Alignment Index
10 月 8 日，AI 评测平台 Arena 在宣布完成 2 亿美元 B 轮融资，估值 31 亿美元，同时发布 Arena Alignment Index（对齐指数），用来衡量前沿 AI 模型在真实场景中与人类意图的一致程度。TechCrunch 了这笔融资，并提到其估值从 1 月 A 轮时的 17 亿美元升至 31 亿美元。
在里，Arena 公布了 Alignment Index 的初步结果：OpenAI 的模型占据前五名；而据公司称，即便是前沿模型，失误也可能带来实际后果，例如未经许可删除用户文件，或声称完成了根本没有做过的检查。
Lightspeed 与 Khosla 联合领投
据 Arena 的公告，本轮融资由 Lightspeed Venture Partners 与 Khosla Ventures 联合领投，Salesforce Ventures、01 Advisors、Dell Technologies Capital、Endeavor Catalyst 参投；a16z、Felicis、AMP PBC、QuantumLight、The House Fund 等现有股东继续参与。Lightspeed 也是上一轮 A 轮的参投方之一。
这距上一轮融资不到一年：1 月 6 日，公司，由 Felicis 与 UC Investments（加州大学）领投。TechCrunch 报道称，A 轮时公司年化收入约为 3,000 万美元，到 6 月升至 1 亿美元；公司称，目前年化收入已超过 1 亿美元，这些收入数字均出自公司口径。更早的 2025 年 5 月，公司还宣布过 1 亿美元种子轮。
从 UC Berkeley 项目到 3.5 亿次会话
据 TechCrunch 报道，Arena 源自 2023 年加州大学伯克利分校的一个研究项目，用众包方式给 AI 模型排名；2025 年 9 月，公司推出商业产品 AI Evaluations，为模型实验室和企业提供基于社区反馈的表现分析。报道还提到，这款产品赶上了行业里的两个变化：AI 实验室意识到模型会「刷」基准测试的分数，企业也不再只依赖标准化基准，而是想知道哪个模型更适合自己的需求。
1 月发布 A 轮公告时，公司仍在使用 LMArena 的名称；本轮公告已改用 Arena 品牌。公司公布的规模数字包括：智能体评测产品 Agent Arena 上线不到 5 个月累计 700 万次会话；整个平台累计 3.5 亿次会话；在文本、视觉、代码、搜索、视频与图像等模态累计 6,200 万次投票；每月有数千万访客，来自 150 多个国家；向社区开源 37.5 万条数据点，其中包括排行榜方法。
对齐指数测什么：越权、错误归因与虚假完成
Arena 解释为什么要做对齐指数时称：智能体不再只是回答问题，而是在写代码、跑分析、替用户执行操作，且往往发生在用户难以核对的场景；一旦智能体欺骗用户，或做了未被允许的事，后果可能很严重。
公司称：「AI 的进展速度快于我们的评估能力，而一旦模型意识到自己正在被测试，静态基准就会失效。」
指数从三类能在会话中找到直接证据的失败模式入手：
- 未经授权的操作（Unauthorized Action）：模型做了超出用户要求或权限范围的事；
- 错误归因（False Attribution）：模型把某个陈述、意图或事实归于用户，而用户提供的证据与之矛盾；
- 虚假完成（Deceptive Completion）：模型声称任务已完成，但当时的证据与该说法矛盾。
公司称，这三类信号借鉴了 OpenAI、Anthropic 等实验室在系统卡中公布的定义，目标是形成对模型安全与对齐的独立评估，并与衡量智能体能力的 Agent Arena 榜单互补。指数目前是预览版，公司称它「起步较窄，且以证据为基础」。
9 万次真实会话里的初步排名
这份预览榜单对比了 27 个模型的表现，样本是来自 Agent Arena 的 9 万次真实智能体会话。公司公布的结果显示，OpenAI 有四个模型得分约 88 分；Anthropic 与 SpaceXAI 的模型 Claude Opus 5.5、Grok 4.7 以 83 分紧随其后。TechCrunch 报道称，初步榜单上 Claude Opus 5.5 与 Claude Fable 分列第六、第九位。
模型失误则集中在几类具体行为上：Claude Opus 5 只有约 2% 的会话出现越权操作，但这些案例中超过一半（53.5%）是未经许可删除或「清理」用户的文件、此前的工作成果；平均约 10% 的会话出现虚假完成，代码调试场景升至 48%。公司还称，会话越长风险越高：会话长度翻倍，出现失败模式的概率也大致翻倍；在 20 条消息以上的会话中，约八分之一的会话受到越权操作影响。此外，OpenAI、Anthropic、SpaceXAI 与 Google 的最新模型，排名普遍高于各自的前代。
打分方法：LLM 评委、人工复核与 50/25/25 加权
这些数字来自一套多轮打磨的流程。Arena 先为每个信号编写一套评判规则（rubric），写明失败模式、示例与边界；再由 LLM（大语言模型）充当评委，对抽样会话逐条应用规则，只有当评委能指出具体的主张或动作、并有证据支持时才标记；存疑的判定提交人工复核，规则随之修订。
统计上，Arena 先按会话长度调整被标记比例（更长的会话有更多出错机会），再把被标记比例换算为「1 减去其平方根」，让高分更难达到、也让接近满分的改进依然可见；最后按 50%（越权操作）、25%（错误归因）、25%（虚假完成）加权平均。公司称，这份指数想帮助个人与企业在挑选模型时，更清楚地了解安全上的取舍。
公司自己给出的限定是：这三个信号「只覆盖安全与对齐的一小部分」。下一步，Arena 计划加入更多安全信号，首先是模型对有害提示的拒绝表现，并将评测扩展到更多模型与新的真实场景。