За 8 месяцев работы коммерческий сервис Arena достиг годовой выручки в 100 миллионов долларов
Рейтинг моделей Arena построен на основе более чем 10 миллионов пользовательских оценок
Компания зарабатывает на услуге AI Evaluations, предоставляя лабораториям и предприятиям аналитику производительности моделей
С января годовая выручка Arena выросла более чем в три раза — с 30 до 100 миллионов долларов
Всего через восемь месяцев после запуска коммерческого сервиса Arena — провайдера рейтингов ИИ-моделей, который зародился как исследовательский проект в UC Berkeley в 2023 году, — его годовой доход достиг $100 млн.
Источник изображения — techcrunch.com
Arena наиболее известна своим популярным рейтингом производительности ИИ-моделей, основанным на краудсорсинге и сформированным на основе более 10 миллионов пользовательских оценок. На общедоступном сайте пользователь вводит запрос, который отправляется двум моделям; после этого он выбирает, какая из них справилась лучше.
Хотя популярный рейтинг Arena доступен для публичного использования бесплатно, компания начала получать доход от своей платформы в сентябре с запуском AI Evaluations — сервиса, который предоставляет лабораториям по разработке моделей и предприятиям углублённый анализ производительности, собранный от сообщества.
Стремительный рост доходов Arena показывает, что её коммерческие предложения так же популярны среди клиентов, как и среди сообщества оценщиков, которых на платформу часто привлекает ранний доступ к новейшим, ещё не выпущенным ИИ-моделям.
«Многие даже не понимают, что наш бизнес вообще приносит деньги; люди до сих пор видят в нас open source проект», — говорит сооснователь и генеральный директор Arena Анастасиос Ангелопулос.
Хотя Arena называет свой доходный рубеж ARR (годовой повторяющийся доход), Ангелопулос уточнил, что компания взимает с клиентов плату за «потребление», а значит, её доход не является повторяющимся.
Прямых конкурентов у Arena нет — другой краудсорсинговый стартап по выбору ИИ-моделей Yupp закрылся в марте. Однако, как отметил Ангелопулос, компания конкурирует «за один и тот же доллар» со стартапами по разметке данных, такими как Mercor, Surge и Scale AI, которые помогают разработчикам моделей улучшать свой ИИ на этапе пост-обучения.
По мере того как поставщики ИИ стремятся максимизировать производительность моделей, их спрос на услуги по оптимизации пост-обучения продолжает расти. Когда Arena объявила в январе о привлечении $150 млн в рамках раунда Series A при оценке в $1,7 млрд, её годовой доход составлял $30 млн.
В других новостях: валовой годовой доход Handshake от обучения ИИ почти удвоился с января, поднявшись с $550 млн до почти $1 млрд, сообщило The Information в апреле. Годовой доход Mercor также превысил $1 млрд ранее в этом году по сравнению с $500 млн в сентябре прошлого года, по данным того же издания.
Arena ранжирует модели по различным задачам: текст, программирование, компьютерное зрение и генерация изображений, а также по сложным длительным рабочим процессам через недавно представленный Agent Mode.
Наряду с Ангелопулосом (на фото слева), сооснователем Arena стал Вэй-Линь Чан (на фото в центре), аспирант UC Berkeley, который занимает пост технического директора стартапа. Сооснователем также выступил Ион Стойка (на фото справа) — известный профессор UC Berkeley и сооснователь Databricks, который консультировал проект до его регистрации в качестве компании в апреле 2025 года.
Arena привлекла в общей сложности $250 млн от инвесторов, включая Felicis, Andreessen Horowitz, The House Fund, LDVP, Kleiner Perkins, Lightspeed Venture Partners, Laude Ventures и UC Investments.
Экономическая модель здесь любопытнее самих цифр. Бесплатный публичный рейтинг работает как источник размеченных человеком предпочтений — того самого ресурса, за который лаборатории готовы платить отдельно. Пользователи, приходящие ради раннего доступа к новым моделям, фактически создают продукт, который затем продаётся их же создателям.
Стоит держать в уме и известную критику подобных рейтингов: голосование вслепую измеряет предпочтение, а не правильность ответа. Модель, которая пишет уверенно и структурно, выигрывает у более осторожной и точной. Поэтому позиция в такой таблице — полезный ориентир, но не замена собственным тестам на своих задачах.
