LM Arena стала $100M-бизнесом на оценке ИИ-моделей

По состоянию на 29 июня 2026 года LM Arena, теперь Arena, заявила о выходе на $100 млн annualized revenue run rate через восемь месяцев после запуска коммерческого продукта. Для рынка ИИ это важная новость не из-за красивой цифры. Она показывает, что оценка моделей, human feedback и данные о реальном выборе пользователей становятся отдельным бизнесом между AI labs, корпоративными клиентами и публичными leaderboard.

LM Arena выросла из исследовательского проекта UC Berkeley: пользователи вслепую сравнивают ответы моделей, голосуют за лучший вариант, а агрегированные оценки попадают в leaderboard. В январе 2026 года проект переименовался в Arena, объяснив это тем, что платформа уже оценивает не только языковые модели, но и код, изображения, поиск, видео и агентные сценарии. В этой статье используем ключ `LM Arena`, потому что именно так русскоязычная аудитория чаще узнаёт проект.

Для читателя Toolarium здесь важен сдвиг в деньгах. Рынок ИИ платит не только за обучение и инференс. Деньги уходят в слой проверки: какие модели лучше справляются с реальными задачами, где они ломаются, что предпочитают пользователи и какие данные можно использовать для post-training.

Что именно объявила Arena

Официальный пост Arena говорит о $100 млн annualized revenue run rate, 10 млн+ ежемесячных посетителей, 700 млн+ разговоров и 82 млн+ голосов. В том же тексте компания связывает рост с запуском корпоративного предложения и с продуктами вокруг Agent Mode: по заявлению Arena, новый режим уже даёт 5 млн+ ходов в месяц и растёт на 10% неделю к неделе.

У этой цифры есть важная оговорка. TechCrunch уточняет со слов сооснователя и CEO Anastasios Angelopoulos: Arena называет показатель ARR, но выручка считается по модели потребления, а не по подписке. Поэтому в заголовках стоит писать аккуратно: $100 млн annualized run-rate revenue, а не «гарантированная годовая подписочная выручка».

Как публичный leaderboard стал платным продуктом

Изначальная логика LM Arena была простой: пользователь вводит запрос, видит два анонимных ответа, выбирает лучший. После раскрытия моделей голос становится частью статистики. Этот формат оказался удобным для AI labs: он даёт свежий сигнал не из статического набора задач, а из реальных пользовательских запросов.

Коммерческий слой появился в сентябре 2025 года, когда Arena запустила AI Evaluations. Компания описывает продукт как комплексные оценки для корпоративных клиентов, модельных лабораторий и разработчиков, основанные на пользовательской обратной связи из реальных задач. В набор входят глубокие evaluation-отчёты, репрезентативные образцы обратной связи и SLA по срокам доставки результатов.

Получается двухсторонняя модель. Бесплатная платформа привлекает пользователей ранним доступом к моделям и возможностью влиять на рейтинг. Платный продукт продаёт организациям более глубокий разбор того же типа данных: где модель выигрывает, где проигрывает, насколько устойчив результат и какие компромиссы важны для конкретного сценария.

Почему это важно для post-training

TechCrunch прямо ставит Arena в один бюджетный ряд с компаниями human labeling и post-training: Mercor, Surge, Scale AI. Это точное сравнение. После pre-training сильным моделям нужна не только новая архитектура или больше GPU. Им нужны сигналы предпочтений, сложные задания, экспертная обратная связь, проверки на реальные workflows и данные о том, что люди считают качественным ответом.

LM Arena продаёт не «место в таблице», а способ понять, как модель ведёт себя в живых задачах. Для AI labs это помогает улучшать модель после базового обучения. Для корпоративных клиентов — выбирать модель не по громкому benchmark score, а по сценарию: код, поддержка, поиск, мультимодальные задачи, агентные цепочки.

Отсюда и рост интереса к Agent Mode. В официальном посте о $100 млн Arena пишет, что Agent Arena помогает оценивать выполнение задач и уровень галлюцинаций в долгих агентных сценариях, где статические бенчмарки часто не работают. Для корпоративного покупателя это ближе к реальному риску: агент должен не просто хорошо ответить на один prompt, а выполнить цепочку действий без лишних шагов и выдумок.

Где появляется риск доверия

Деньги в AI-evaluation усиливают старый конфликт: leaderboard должен быть достаточно открытым, чтобы ему доверяли, и достаточно коммерческим, чтобы кормить компанию. Чем больше AI labs зависят от рейтинга, тем выше стимул оптимизироваться под методику. Чем больше Arena зарабатывает на тех же лабораториях и корпоративных клиентах, тем внимательнее рынок будет смотреть на прозрачность правил.

Сама Arena признаёт эту проблему через политику и методологические обновления. В ноябре 2025 года компания обновила метод ранжирования: рядом со score теперь важен rank spread, то есть диапазон возможных позиций с учётом confidence intervals. Такой подход мешает читать leaderboard слишком уверенно, особенно когда новая модель ещё набрала мало данных.

Был и публичный спор вокруг «Leaderboard Illusion». В ответе Arena пишет о pre-release testing, selection bias, confidence intervals и правилах публикации результатов. Для читателя это важнее, чем спор о конкретной статье: доверие к оценке моделей держится на понятной методике, свежих данных, независимой критике и честных оговорках.

Именно поэтому новый материал не стоит читать как доказательство, что Arena стала «единственным стандартом» оценки ИИ. Корректнее другое: рынок готов платить за human-feedback evals, но ценность такого бизнеса держится на доверии к процедуре. Если leaderboard начнут воспринимать как чёрный ящик или маркетинговую витрину, его коммерческая ценность быстро проседает.

Что меняется для покупателей ИИ

Для разработчиков и менеджеров LM Arena полезна как сигнал, но не как единственный ответ. Общий leaderboard помогает понять, какие модели сильны на массовых запросах. Платные evaluation-отчёты могут дать больше деталей по сценариям. Но выбор модели для продукта всё равно требует собственного набора задач, логов, ограничений, цены, скорости, безопасности и юридических требований.

Мы уже разбирали, почему benchmark score нельзя читать без методики. Та же логика работает здесь: 82 млн голосов — мощный сигнал, но он не отменяет вопрос о составе пользователей, распределении задач, свежих данных, pre-release testing, выборке и confidence intervals. Чем ближе решение к деньгам или безопасности, тем меньше можно полагаться на одну публичную позицию.

Для AI-агентов это особенно заметно. В материале про leaderboard AI-агентов и стоимость ошибок мы писали, что агентный результат нужно считать через последствия: лишние действия, неверные вызовы инструментов, галлюцинации, стоимость исправления. Arena движется в ту же сторону, когда говорит о выполнении задач и уровне галлюцинаций для долгих сценариев.

Третий слой — воспроизводимость. В статье про платформы для воспроизводимых бенчмарков ИИ-моделей мы отдельно отмечали, что leaderboard полезен только тогда, когда понятны данные, правила и ограничения. Arena теперь продаёт именно доверие к этой инфраструктуре. Поэтому методология становится не научной «надстройкой», а основой бизнеса.

Главное

LM Arena стала $100M-бизнесом потому, что evaluation перестал быть побочной исследовательской активностью. В 2026 году это отдельный рынок: модели нужно сравнивать на живых задачах, улучшать через human feedback, проверять в агентных сценариях и объяснять корпоративным клиентам, почему один вариант лучше другого.

Сильная сторона Arena — масштаб пользовательских сравнений и узнаваемость leaderboard. Слабое место — всё то же доверие: методика, bias, правила pre-release testing, статистическая неопределённость и коммерческая зависимость от клиентов, которых платформа оценивает. Поэтому $100 млн run rate важны не как победа одной компании, а как сигнал: слой оценки ИИ становится таким же стратегическим, как обучение моделей и инфраструктура инференса.

Мини-FAQ

Что такое LM Arena?

LM Arena, сейчас Arena, — платформа оценки ИИ-моделей. Пользователи сравнивают ответы моделей вслепую, голосуют за лучший вариант, а агрегированные human-feedback оценки формируют публичный leaderboard и коммерческие evaluation-отчёты.

Чем AI Evaluations отличается от обычного leaderboard?

Обычный leaderboard показывает публичный рейтинг моделей. AI Evaluations — платный продукт Arena для модельных лабораторий, корпоративных клиентов и разработчиков: он даёт более глубокие отчёты, образцы обратной связи и аналитику по тому, как модели работают в реальных сценариях.

Можно ли считать $100 млн Arena классическим ARR?

Нет, с оговоркой. Arena пишет об annualized revenue run rate, но TechCrunch уточняет со слов CEO, что компания берёт оплату по модели потребления. Поэтому корректнее писать о $100 млн annualized run-rate revenue, а не о классическом recurring ARR.

Источники и проверка фактов

• Arena: $100M in eight months, опубликовано 29 июня 2026 года; использовано для $100M run rate, 8 месяцев, 10M+ visitors, 700M+ conversations, 82M+ votes и Agent Mode; проверено 29 июня 2026 года.
• TechCrunch: Arena, the AI leaderboard everyone uses, is now a $100M business, опубликовано 29 июня 2026 года; использовано для оговорки про consumption revenue, сооснователей, total funding и контекста post-training; проверено 29 июня 2026 года.
• Arena: New Product: AI Evaluations, опубликовано 16 сентября 2025 года; использовано для описания коммерческого продукта, SLA, репрезентативных образцов обратной связи и human-feedback evaluation; проверено 29 июня 2026 года.
• Arena: Fueling the World’s Most Trusted AI Evaluation Platform, опубликовано 6 января 2026 года; использовано для Series A на $150 млн, инвесторов и роста community metrics; проверено 29 июня 2026 года.
• Arena: LMArena is now Arena, опубликовано 28 января 2026 года; использовано для переименования и расширения платформы за пределы языковых моделей; проверено 29 июня 2026 года.
• Arena: Arena’s Ranking Method, опубликовано 14 ноября 2025 года; использовано для rank spread, confidence intervals и ограничения чтения leaderboard; проверено 29 июня 2026 года.
• Arena: Our Response to “The Leaderboard Illusion” Writeup; использовано для контекста спора о pre-release testing, selection bias и прозрачности methodology; проверено 29 июня 2026 года.