آرِنا (Arena)، پلتفرم مقایسهٔ crowdsourced مدل‌های هوش مصنوعی، ۲۰۰ میلیون دلار در دور B جذب کرده و به ارزش‌گذاری ۳.۱ میلیارد دلار رسیده است. این شرکت پنج‌شنبه (۸ اکتبر ۲۰۲۶) این خبر را اعلام کرد.

دور B توسط Lightspeed Venture Partners و Khosla Ventures رهبری شد و Salesforce Ventures، 01 Advisors، Dell Technologies Capital، Endeavor Catalyst، a16z و Felicis هم در آن مشارکت داشتند.

از ۱.۷ تا ۳.۱ میلیارد دلار در ۱۰ ماه#

آرِنا در ژانویه ۲۰۲۶ دور A خود را با ۱۵۰ میلیون دلار و ارزش‌گذاری post-money ۱.۷ میلیارد دلار بسته بود. در آن زمان درآمد سالانه‌اش (annualized run-rate) ۳۰ میلیون دلار اعلام شده بود. این شرکت در ژوئن ۲۰۲۶ گفت به ۱۰۰ میلیون دلار درآمد سالانه رسیده است. یعنی در حدود ۱۰ ماه، ارزش‌گذاری‌اش تقریباً دو برابر شده.

آرِنا ریشه در یک پروژهٔ پژوهشی سال ۲۰۲۳ در دانشگاه UC Berkeley دارد. کاربران رایگان وارد می‌شوند، پرامپت یا درخواست پروژهٔ vibe-coded می‌دهند و سپس رأی می‌دهند کدام مدل بهتر انجامش داده. شرکت ادعا می‌کند ده‌ها میلیون بازدیدکنندهٔ ماهانه دارد.

محصول تجاری و دستهٔ جدید alignment#

آرِنا در سپتامبر ۲۰۲۵ محصول تجاری‌اش را با نام AI Evaluations معرفی کرد: سرویسی که به شرکت‌های توسعه‌دهندهٔ مدل و سازمان‌های بزرگ، تحلیل عملکرد مبتنی بر بازخورد جامعه ارائه می‌دهد. طبق اعلام شرکت، این محصول زمانی عرضه شد که آزمایشگاه‌های هوش مصنوعی متوجه شدند مدل‌هایشان در حال «گیمینگ» بنچمارک‌های استاندارد هستند — یعنی نمره‌های خوب می‌گیرند بدون اینکه واقعاً شایسته‌اش باشند.

آرِنا اخیراً دستهٔ جدیدی به لیدربوردش اضافه کرده: alignment. در این دسته مدل‌ها بر اساس سه معیار رتبه‌بندی می‌شوند:

  • unauthorized action: انجام کاری که از مدل خواسته نشده
  • false attribution: نسبت دادن نادرست گفته‌ها یا حقایق به منبع اشتباه
  • deceptive completion: دروغ گفتن دربارهٔ انجام کاری که انجام نشده

در لیدربورد مقدماتی alignment، مدل‌های OpenAI در صدر قرار دارند. Claude Opus 5.5 در رتبهٔ ششم و Claude Fable در رتبهٔ نهم هستند.

خوانش تحریریه#

برای کسی که همین حالا با ابزارهای موجود ایجنت یا اتوماسیون می‌سازد، این خبر دو نکتهٔ عملی دارد. اول: لیدربورد alignment آرِنا هنوز «مقدماتی» است و OpenAI در صدر آن نشسته. این یعنی معیارهای جدید هنوز تثبیت نشده‌اند و نمی‌توان بر اساس یک رتبه‌بندی اولیه، مدل خاصی را کنار گذاشت یا انتخاب کرد. دوم: مشکل «گیمینگ بنچمارک» که آرِنا به آن اشاره می‌کند، واقعی است و برای هر کسی که مدل را بر اساس نمرهٔ MMLU یا HumanEval انتخاب می‌کند، هشدار است. اگر در پروژه‌ای با مدل‌های مختلف کار می‌کنید، معیارهای عملکردی واقعی‌تر (مثلاً تست روی داده‌های خودتان) هنوز جایگزین قابل‌اعتمادتری نسبت به لیدربوردهای عمومی‌اند.

آنچه این خبر عملاً عوض نمی‌کند: دسترسی شما به مدل‌ها، قیمت‌ها یا قابلیت‌های فنی. آرِنا یک لایهٔ ارزیابی اضافه کرده، نه یک ابزار جدید در دسترس توسعه‌دهنده.

منبع: TechCrunch AI