一家未直接开发AI技术的公司，年收入已达1亿美元。

这一商业上的巨大成功归功于Arena，一个目前正吸引着众多AI领域巨头参与其中的“大模型竞技场”。

Arena最初源于2023年加州大学伯克利分校一个团队发起的名为Chatbot Arena的开源研究项目。

谁曾想到，在极短的时间内，它便成为了影响大模型发展方向的关键平台。

就在近期，Arena商业化服务推出仅8个月，其年化营收已成功突破1亿美元，达到了一个新的里程碑。

ChatGPT、Claude等模型在此“刷榜”，Arena成为大模型评测的焦点

对于许多人来说，Arena并不陌生。

它最受关注的特点在于，能够基于用户真实的匿名测试数据，生成一份大模型排行榜。

其运作模式极其简单，却又充满了竞争的意味——

用户输入指令后，系统会匿名派出两个模型同时生成回应；随后，用户选择认为表现更优的模型。

平台汇集了数千万次的此类用户投票，形成类似于Elo评分系统的排行榜。

正是这种“擂台比拼”的机制，使其成为全球AI爱好者和开发者聚集的热门地点。

目前，该平台已积累了超过1000万次用户评测、7亿次对话、8200万张投票，每月吸引超过1000万访客，遍布全球150多个国家。

尤为关键的是，大约80%的用户每天提出的问题都是全新的，这意味着没有任何模型能够事先“背下答案”。

其评价的含金量有多高？

OpenAI、谷歌、Anthropic、Meta等平时竞争激烈的顶尖科技公司，都纷纷将自家最新的模型提交到Arena接受社区的检验。

甚至有报道称，OpenAI在GPT-5正式发布前，曾使用代号“summit”的模型在该平台上进行秘密测试。

换言之，硅谷最先进的模型，都在等待一个来自伯克利学生项目的“盖章认证”。

1亿美元营收是如何实现的？

那么，一个免费的排行榜是如何转化为1亿美元的收入来源的呢？

去年9月，Arena推出了名为AI Evaluations的商业服务：

模型开发商和大型企业可以付费，利用Arena庞大的用户社区对其模型进行深度评估，从而获得仅靠基准测试无法获得的“真实世界”性能分析。

这套服务被定位为一套“面向真实世界的持续集成/持续部署（CI/CD）系统”。

当模型准备公开发布时，Arena会免费为其进行社区评测；

而企业如果想了解自家模型在实际用户手中的优势、劣势以及可能出现的“胡说八道”的情况，则需要付费使用该服务。

这是一种典型的“卖水人”商业模式——在淘金热中，卖水和卖铲子的人往往比挖金子的人更赚钱。

随着大模型厂商竞争的加剧，以及对模型性能的极致追求，他们对这种“上线后调优”服务的需求也日益增长。

Arena恰好处于所有模型厂商都必须经过的关键节点上。

三位伯克利背景人士，打造出最赚钱的AI生意

Arena的前身是Chatbot Arena。

再往前追溯，它隶属于伯克利大学著名的LMSYS研究小组。

最初，两位伯克利的室友怀揣着一个朴素的愿望——为大语言模型建立一个中立的比较平台，让大家能够公平地进行评测。

没有人预料到，这个学生项目会迅速发展成为一家估值数十亿美元的公司。

项目进展神速：2025年春季，项目独立出来并正式注册公司，几周内即完成1亿美元的种子轮融资，估值达到6亿美元；

数月后，其商业产品上线，仅仅四个月后，年化营收便飙升至3000万美元。

随后，今年1月，由Felicis和UC Investments领投的1.5亿美元A轮融资完成，公司投后估值达到17亿美元。

领导这一项目的核心人物，均非等闲之辈。

CEO Anastasios Angelopoulos，其学术背景深厚，专注于数学领域。

他在斯坦福大学攻读电子工程本科期间，曾师从凸优化领域的知名学者Stephen Boyd。

在伯克利大学攻读博士学位时，他的导师更是机器学习领域的泰斗Michael I. Jordan和计算机视觉领域的权威Jitendra Malik。

多年来，他一直致力于研究如何为“黑箱”模型提供数学上严谨的评估方法。

CTO Wei-Lin Chiang是开源社区的知名人士，他曾主导开发了广受欢迎的开源聊天机器人Vicuna。

他在伯克利大学攻读博士学位，师从分布式系统专家Ion Stoica，此前曾在谷歌、亚马逊和微软等公司有过工作经验。

2022年底ChatGPT公测之际，他暂停了之前的研究，全身心投入到Arena项目中。

搭档Angelopoulos形容他对此项目的投入是“一份用爱发电的事业”。

为了这个项目，两人长时间投入工作，甚至选择同住，最终两位室友共同构建了一家估值17亿美元的公司。

第三位联合创始人是著名的伯克利教授、Databricks联合创始人Ion Stoica。在项目于2025年4月公司化之前，他一直担任项目的顾问。

充当裁判比作为选手更重要

Arena最新的举措是推出了Agent Mode（智能体模式）。

该模式的评测范围已不再局限于“谁的聊天能力更强”，而是涵盖了数百万用户正在使用智能体执行的真实任务，例如编写代码、调试错误、进行研究、分析文档等，这些任务往往涉及数百万次工具调用和多轮交互。

Arena开始采用任务完成率、幻觉率等客观指标进行评分，这已经远远超出了最初“人类偏好投票”的范畴。

随着AI从“聊天机器人”向能够独立完成任务的“智能体”演进，其任务的复杂性和重要性也在不断提升。

评测，正成为人类深入理解AI内部运作机制的重要手段。

Arena之所以能创造1亿美元的营收，并最终达到17亿美元的估值，其核心逻辑在于押注评测的重要性将日益凸显，其价值也将持续增长。

然而，最终所有人都将面临一个关键问题——当机器开始自主生成问题时，谁将拥有最终的评判权？