7個月，從伯克利實驗室的副業(yè)項目到17億美元估值。這不是某家大模型公司的融資故事，而是一家"裁判公司"的崛起速度。

Arena（原名LM Arena）現(xiàn)在是大模型領(lǐng)域的默認(rèn) leaderboard（排行榜）。開發(fā)者用它測模型，投資人用它做決策，公關(guān)戰(zhàn)用它定輸贏。但它的創(chuàng)始團(tuán)隊只有兩個人——Anastasios Angelopoulos 和 Wei-Lin Chiang，都是 UC Berkeley 的博士生。

TechCrunch 的 Equity podcast 最近專訪了這對組合。對話里有個細(xì)節(jié)很微妙：Arena 的融資方名單里，出現(xiàn)了 Anthropic、Google、xAI 這些被它排名的公司。裁判收運動員的錢，這比賽還公平嗎？

從"周末項目"到行業(yè)標(biāo)準(zhǔn)

2023年，Chiang 在伯克利做機器學(xué)習(xí)研究。他和 Angelopoulos 注意到一件事：大模型發(fā)布越來越快，但沒人知道哪個真的好用。

當(dāng)時的評測要么太學(xué)術(shù)（看指標(biāo)不看體驗），要么太主觀（博主個人偏好）。他們想做一件事：讓用戶直接盲測，A模型和B模型并排對話，投票選出更好的那個。

這個思路借鑒了早期的"盲聽測試"——音響發(fā)燒友爭論金線銀線哪個音質(zhì)好，最后發(fā)現(xiàn)蒙上眼睛根本聽不出區(qū)別。AI 模型同理，去掉 logo 和光環(huán)，純比對話質(zhì)量。

網(wǎng)站上線后，流量來得比預(yù)期快。開發(fā)者社區(qū)開始自發(fā)傳播，模型公司也開始關(guān)注——不是因為被 flattering（奉承），而是因為被排名刺痛了。

Chiang 在采訪里回憶："我們最開始只是想解決自己的問題。然后發(fā)現(xiàn)，這也是所有人的問題。"

到2024年初，Arena 的月活用戶已經(jīng)超過百萬，累計投票數(shù)破千萬。它成了事實上的行業(yè)標(biāo)準(zhǔn)，盡管它一開始只是個"周末項目"。

商業(yè)模式：裁判怎么賺錢

Arena 的融資歷程很緊湊。2024年8月，他們宣布完成 A 輪融資，估值 1.7 億美元。7個月后，也就是2025年初，估值跳到 17 億美元——10倍增長。

錢從哪來？Anthropic、Google、xAI、Andreessen Horowitz（a16z）都在股東名單里。這引發(fā)了核心質(zhì)疑：被排名的公司同時是投資人，利益沖突怎么解決？

Angelopoulos 的回應(yīng)很直接：「我們的協(xié)議里寫了，投資人不能干預(yù)排名算法、不能提前看數(shù)據(jù)、不能要求改結(jié)果?！?/p>

他補充了一個設(shè)計細(xì)節(jié)：Arena 的投票機制是"眾包盲測"，不是內(nèi)部評測。任何人都可以參與，數(shù)據(jù)集公開，算法開源。理論上，就算投資人想動手腳，也得說服成千上萬的隨機用戶配合。

但這套說辭能說服所有人嗎？Chiang 承認(rèn)：「我們每天都在想這個問題。信任是唯一的資產(chǎn)，丟了就什么都沒了?！?/p>

目前 Arena 的收入來自兩塊：企業(yè)定制評測服務(wù)（幫公司測自己的模型），以及 API 調(diào)用（開發(fā)者用它的 benchmark 工具）。但主要成本是算力和人力，盈利還不是短期目標(biāo)。

技術(shù)細(xì)節(jié)：為什么盲測比指標(biāo)更難作弊

Arena 的核心機制叫" pairwise comparison（兩兩對比）"。用戶同時和兩個匿名模型對話，不知道誰是誰，然后選哪個回答更好。

這個設(shè)計有個副作用：它天然抵抗"刷分"。傳統(tǒng) benchmark（比如 MMLU、HumanEval）是固定題庫，模型可以針對性訓(xùn)練。但 Arena 的對話是開放的、實時的、用戶生成的，沒法提前準(zhǔn)備。

Chiang 解釋：「我們統(tǒng)計過，同一個用戶連續(xù)投票的間隔平均是 4 分鐘。這意味著他們在認(rèn)真對話，不是亂點?！?/p>

另一個技術(shù)點是" Elo 評分系統(tǒng)"——從國際象棋借來的排名算法。每個模型有基礎(chǔ)分，贏一場加分，輸一場扣分，對手越強加減越多。這樣長期積累下來，分?jǐn)?shù)反映的是相對實力，不是絕對分?jǐn)?shù)。

但 Elo 系統(tǒng)也有盲區(qū)。它擅長排"誰更強"，不擅長說"強多少"。兩個模型分?jǐn)?shù)接近時，實際差距可能被放大或縮小。Angelopoulos 說他們在改進(jìn)，比如引入置信區(qū)間、增加樣本量。

行業(yè)影響：一條曲線如何攪動千億市場

Arena 的排名現(xiàn)在直接影響商業(yè)決策。模型公司發(fā)布新版本前，會私下跑 Arena 測試；投資人看 AI 項目，會查它在 Arena 的位置；甚至招聘時，工程師會把自己的" Arena 對戰(zhàn)記錄"寫進(jìn)簡歷。

這種影響力也帶來了壓力。2024年中，某家大模型公司被爆在 Arena 上"刷票"——用腳本批量生成對話并投票給自己。Arena 的應(yīng)對是加強反作弊：檢測異常 IP 模式、分析對話質(zhì)量分布、引入驗證碼。

Chiang 沒有點名是哪家公司，但他說：「那次事件后，我們花了兩個月重做信任系統(tǒng)?，F(xiàn)在每 1000 票里大概能抓出 3-5 票可疑的。」

更深層的影響是定價權(quán)。以前模型公司自己跑分、自己宣傳，現(xiàn)在得等第三方認(rèn)可。Anthropic 的 Claude 3.5 Sonnet 發(fā)布時，官方 PR 里直接引用了 Arena 的 Elo 分?jǐn)?shù)提升。

Angelopoulos 對此有點無奈：「我們沒想過當(dāng) gatekeeper（把關(guān)人）。但市場需要信號，我們只是恰好在那個位置?！?/p>

未來變量：當(dāng)裁判開始下場踢球

Arena 的下一步計劃包括兩個方向：橫向擴(kuò)展（覆蓋更多模態(tài)，比如圖像、視頻、代碼），以及縱向深化（做更細(xì)分的評測，比如醫(yī)療、法律、教育場景）。

但最大的變量可能是"自營模型"。有傳言稱 Arena 在考慮訓(xùn)練自己的小型模型，用于 baseline 對比。這相當(dāng)于裁判親自下場踢球——哪怕只是"陪練"，也會引發(fā)利益沖突質(zhì)疑。

Chiang 在采訪中沒有直接否認(rèn)：「我們在探索很多可能性。但任何動作都會先考慮對中立性的影響?！?/p>

另一個變量是開源社區(qū)的反彈。Arena 的算法和數(shù)據(jù)集雖然公開，但運營本身是商業(yè)公司。部分開發(fā)者開始推動"去中心化 Arena"——用區(qū)塊鏈或聯(lián)邦學(xué)習(xí)做分布式評測。

Angelopoulos 的回應(yīng)是合作而非對抗：「如果有人能做出更好的系統(tǒng)，我們會第一個用。這個行業(yè)需要多個獨立聲音，不是一家獨大?！?/p>

采訪結(jié)束前，Rebecca Bellan 問了最后一個問題：「如果五年后 Arena 不存在了，最可能的原因是什么？」

Chiang 想了想說：「要么是我們搞砸了信任，要么是大模型變得太同質(zhì)，不需要排名了。我不知道哪個更可能發(fā)生。」