[评测现状] LMArena 的 17亿美元愿景——Anastasios Angelopoulos，LMArena

摘要

• Arena 融资 1亿美元买来的是战略重试权，而不是烧钱授权。 Anastasios Angelopoulos 称，如果第一笔下注失败，资本就是可以翻开的“牌”；眼下的支出包括为免费推理买单、招聘，以及从 Gradio 迁移到 React，但他强调，Arena 不必把这笔融资全部花掉。

• Arena 的护城河来自原生使用的规模与真实度，而不是一套静态基准测试目录。 主持人将其社区规模描述为 500万 MAU；Angelopoulos 提到，平台上已有约 2.5亿次对话，每月新增数千万次。他还表示，约 25%的用户以软件为业。不同于围绕预生成输出搭建的竞技场，Arena 记录用户提出的真实问题，持续刷新评测分布。

• 公开排行榜是建立可信度的亏损引流产品，并明确承诺不 pay-to-play。 Angelopoulos 称其既是“慈善项目”，也是“亏损引流产品”：无论是否付费、得分多少，已发布模型都会出现，模型提供商也不能付费要求下架。他对“排行榜幻觉”批评的回应是，相关分析存在事实错误，包括声称开源模型抽样率为 9%，而 Arena 的实际构成约为 60/40；同时，该分析也误读了长期运行的预览模型测试。

• Nano Banana 展现出图像生成的经济吸引力后，嘉宾与主持人都扭转了此前的怀疑。 Angelopoulos 如今预计，多模态系统将成为 AI 在消费端和企业端最具经济价值的能力之一，营销与设计是增长最快的采用领域。主持人的案例是：把 DeepSeek V3.2 对强化学习环境的解释输入 Nano Banana Pro，得到一张论文级图示；这项工作过去可能需要一个博士生花上一个月。

• Arena 正从单一综合排名扩展到职业、模态和智能体专属评测类别。 其庞大用户群中，已有个位数比例分别构成医疗、法律、金融、会计、创意和营销等群体；视频评测计划于今年晚些时候或明年初推出。Code Arena 也可能从评估模型，进一步比较 Devin 这类完整智能体 harness。

• 用户留存与创业公司的聚焦能力仍是执行约束。 持久化历史记录显著推动了用户登录，但 Angelopoulos 表示，“每个用户都要靠自己赢得”，用户在一次“昙花一现”的爆发后仍可能随时离开。API 仍有可能推出，但 Arena 当前应对战略发散的答案很简单：“我们确实应该把一件事做好”——竞技场。

精读

1. 公司成立：把学术基准变成基础设施

• Angelopoulos 最终判断，Arena 无论作为学术项目还是非营利组织，都无法获得所需的分发能力、平台质量和运营规模。其使命早已明确：通过真实用户与原生反馈，“衡量、理解并推动前沿 AI 能力”；成立公司，成为将这项使命规模化落地的实际组织形式。

• Anjney 在创始团队决定创业前孵化了 Arena，提供早期资助与资源；Sequoia 也提供了一笔资助。Anjney 设立实体时，还做出了一个不同寻常的承诺：团队随时可以退出。Angelopoulos 最终同意，成立公司是“我们实现规模化的唯一方式”。

• 1亿美元融资买来的是选择权：“一家公司拿到钱的目的，是给自己留下可以翻开的牌。”Arena 为平台上的免费使用承担全部推理成本，并持续招聘；此前支撑其达到约 100万 MAU 的 Gradio，如今已迁移至 React，以获得更丰富的组件，以及更容易吸引熟悉该技术栈的开发者人才。

2. 原生提示词是 Arena 的核心数据优势

• 主持人将 Arena 社区规模描述为 500万 MAU。Angelopoulos 则单独提到“超过 500万”，但没有说明对应指标；平台累计约有 2.5亿次对话，每月新增数千万次。他表示，约 25%的用户以软件为业，如今约一半用户会登录，使 Arena 能够结合问卷研究用户行为——但他明确保留了样本存在回答偏差的限制。

• 主持人转述了 Artificial Analysis 打造“AI 界 Gartner”的目标。该机构将公开基准测试汇总并独立重跑，产出分析与报告；Arena 则让用户输入自己的使用场景和问题，而不是仅仅评判预先生成的输出。

• 主持人提出了另一面：策划好的示例可以让不擅长提示词的用户了解模型能做到什么。Angelopoulos 同意，查看他人的提示词具有教育意义，但他强调，Arena 让用户输入自身使用场景，才是其真实度的来源。

3. 榜单公正是 Arena 拒绝出售的资产

• 《Leaderboard Illusion》论文称，预览模型测试制造了未披露的不平等。Angelopoulos 认为这一批评“不科学”，并指出其中一些事实错误已经得到修正；具体而言，论文声称开源模型抽样率约为 9%，而他表示实际分布更接近 60/40。

• 他为预览模型辩护，依据的不只是统计学，也包括社区文化：Arena 长期以来都会以秘密代号向用户开放预发布模型，社区乐于自行发现它们。Nano Banana 就是在这一机制中出现，随后成为“全球现象”。

• Angelopoulos 表示，Nano Banana 的那一刻本身就改变了 Google 的市场份额。主持人认为，它在当时肉眼可见地领先于其他产品，并将其与 Google 股票中数十亿美元的资金流动联系起来。

• 主持人更尖锐的质疑是，并非每个预览模型都会登上排行榜。Angelopoulos 的回答是：尚未发布的模型不必出现，但每个已发布模型都会基于数百万张选票获得统计上可靠的分数。模型提供商不能购买上榜资格，也不能付费要求下架；排行榜必须继续成为“透明、公平反映模型表现”的工具。

4. 多模态模型改写了双方对经济价值的判断

• 主持人承认，自己曾认为图像生成是 AGI 的边缘能力，还可能带来声誉风险：AI 的上行空间为何不集中在语言、编程和推理上？Nano Banana 改变了他的看法；Angelopoulos 也表示：“我对这件事的判断也有些错了。”

• 他们修正后的判断是务实的，而非哲学性的。营销与设计是 AI 采用速度最快的领域之一；创作者则获得了“无限供应”的图表、解释图和信息图，使多模态系统有潜力成为 AI 在消费端和企业端最具经济价值的能力之一。

• 最具代表性的案例是 DeepSeek V3.2：主持人把其对强化学习环境的解释输入 Nano Banana Pro，生成了一张帮助自己理解论文的图示。他认为，如果手工完成同等工作，过去可能要一个博士生“花上一个月”。

5. Arena 扩大评测范围，但不放弃聚焦

• Angelopoulos 希望 Arena 继续成为行业的“北极星”：一个持续更新的基准，通过不断进入的新数据点抵抗过拟合。Arena 跟踪新模型与新使用场景，并已发布数百万条真实对话，供研究人员研究和改善真实世界表现。

• 职业视图如今可以分别展示医疗、法律、商业、金融、会计、创意和营销用户的结果。在 Arena 的规模下，即使个位数百分比也足以形成有意义的用户群体；视频评测预计在今年晚些时候或明年初推出。

• API 仍有可能推出，但 Angelopoulos 从创业公司聚焦的角度对其提出疑问：公司应该把“一件事做好”。在留存方面，持久化历史记录提高了登录率，但任何功能都无法免除一项基本义务：每天都要“赢得每一个用户”。

• 他还在寻找消费产品、机器学习、B2B 市场进入、营销及相关领域的专家加入 Arena。

• Code Arena 可能将评测单位从模型扩展到完整的智能体 harness。在一项潜在的 Cognition 合作中，Angelopoulos 提议把 Devin 放进 Arena，测试它是否“在所做的事情上成为全球最强或最强之一”，以回应外界关于 Devin 已经消亡的说法。