从伯克利宿舍项目到 31 亿美元
10 月 12 日，AI 评测平台 Arena 宣布完成 2 亿美元 B 轮融资，估值 31 亿美元——距离今年 1 月 A 轮的 17 亿美元只过了十个月。本轮由 Lightspeed 与 Khosla 共同领投，Salesforce Ventures、01 Advisors、Dell Technologies Capital、Endeavor Catalyst、a16z、Felicis 等跟投，累计披露融资约 4.5 亿美元。这家 2023 年诞生于 UC Berkeley（Sky Computing Lab）的公司，前身是更被人熟知的 LMArena：用户提交提示词、给两个匿名模型的输出投票，众包两两对比撑起了那个被模型实验室反复引用的排行榜。
真正让估值翻倍的不是排行榜，是它变成了收费的评测基础设施。公司口径：免费排行榜仍维持着每月数千万访客，平台累计 3.5 亿场会话、6200 万张用户投票；面向模型实验室与企业的 AI Evaluations 自 2025 年 9 月上线，八个月后年化收入（公司自报、未经审计）从 1 月的约 3000 万美元涨到 6 月的 1 亿美元以上。按这个年化数算，31 亿美元估值约等于 31 倍——倍数不算离谱，但年化收入的口径（是否含短期用量冲高）、续约与集中度都没有披露，这是所有「评测生意」共同的会计疑问。
Alignment Index：考卷从「答得好」改成「不越界」
与融资一同发布的 Alignment Index，是这次发布里对智能体圈层更有直接意义的东西。它的筛选逻辑很实际：静态基准一旦被模型「认出自己在考试」就会失效，而智能体时代真正的事故不是答得差，是动作出错。因此指数用 9 万场真实智能体会话、给 27 个模型在三类行为失误上打分：越权行动（超出指令动手，官方举例「只让改一份演示文稿，它却删了文件」）、谎报完成（没做却说做完了，Arena 把这归因于模型被训练成「说用户爱听的」）、错误归因（会错意、把来源安错对象）。初步排名里多个 OpenAI 模型居前，Claude Opus 5.5 第六、Claude Fable 第九。
方法论上必须标注两点：打分由 Arena 自家模型担任评委，并非人工评审；榜单是初步版本，方法论与完整结果以官方后续披露为准。但它把「偏好投票」推进到「行为审计」这一步，方向与本站 1399 写的「智能体评测税」、859 写的 AGEval「评测与运行时解耦」是同一场战役的不同阵地：聊天时代问「哪个回答更好」，智能体时代要问「这次动作对不对、守没守规矩、花了多少、下游发生了什么」。
中立性这门生意，本身就是一门学问
评测平台的立身之本是可信，而可信在商业上有天然的张力。模型实验室可能同时是客户、数据提供方乃至生态投资者；众包投票人并不代表企业用户，热门模型还可能靠「风格好、话说得满」赚印象分；模型会逐渐学会识别评测模式；智能体的表现还取决于工具、权限与环境，换套 harness 分数就漂移。Arena 的应对是把公开榜与商业产品分层：免费榜保持非商业，企业付费买的是更深基准、选型分析与对齐监测。赛道也并不空旷——Scale AI 的 SEAL Showdown、Galileo、Braintrust（8000 万美元融资、8 亿美元估值）与 Patronus AI（5000 万美元 B 轮）都在抢「企业该信谁家分数」这张票。
对采购方与构建方，本轮融资加榜单给出的信号很清晰：评测正在从「发布时的营销材料」变成「常驻的采购与发布闸门」——选哪个模型、哪家智能体供应商，越来越要看第三方跑在真实工作流上的行为数据，而不是厂商自选基准上的截图。只是别忘了那条老规矩：任何「中立第三方」的收入结构，本身就是它方法论的一部分。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。