又一门AI生意火了。
10月8日，AI评测平台Arena宣布完成2亿美元（约合人民币13.4亿元）B轮融资，由光速创投、Khosla Ventures联合领投，估值达到31亿美元（约合207亿元）。
今年1月，Arena估值还只有17亿美元。短短九个月，身价涨了八成。
更惊人的是赚钱速度。Arena今年6月披露，商业服务推出仅八个月，年化收入已经突破1亿美元（约合人民币6.7亿元）。
这家公司做的生意很特别：给ChatGPT、Claude等AI模型出题、考试、打分。
类似的故事接连上演。9月，斯坦福系创业公司Snorkel AI融资3.5亿美元，估值35亿美元。国内也传出消息，阿里巴巴拟领投AI评测公司UniPat约3亿美元融资，估值25亿美元，腾讯、红杉中国等机构可能参与。
原本属于大学实验室的AI评测，突然成了资本市场的热门生意。
- 01 -伯克利实验室，跑出31亿美元独角兽
Arena的故事，要从加州大学伯克利分校说起。
2023年，伯克利的博士江韦霖和阿纳斯塔西奥斯·安杰洛普洛斯推出Chatbot Arena，想解决一个问题：ChatGPT、Claude、Gemini等模型，到底谁更聪明？
当时，大模型行业热衷于晒成绩单。每发布一个新模型，厂商都会拿出数学、编程、知识问答等测试结果，证明自己领先同行。
但这些考试存在一个问题：考试拿高分，不代表用户觉得好用。
于是，伯克利团队想了一个办法：让普通人来当考官。
在Chatbot Arena网站，用户输入一个问题，系统随机让两个匿名模型回答。用户不知道哪个答案来自OpenAI，哪个来自Anthropic，只需要选出自己认为更好的一个。
随着投票越来越多，平台逐渐形成一套AI模型排行榜。
这套玩法很快在硅谷流行起来。每当一家大模型公司发布新品，除了展示自己的测试成绩，还希望登上Arena排行榜前列。
原本只是一个研究项目，却逐渐变成了AI行业重要的评价平台。
2025年，团队成立商业公司Arena Intelligence，开始接受风险投资。到2026年1月，Arena完成1.5亿美元A轮融资，估值17亿美元。
仅仅九个月后，光速创投、Khosla Ventures联合领投其2亿美元B轮融资，Salesforce Ventures、戴尔旗下投资机构以及a16z等参与。
资本看中了什么？答案藏在Arena积累的用户数据里。
截至今年6月，Arena每月访问用户超过1000万，累计产生超过7亿次对话、8200万次人工投票。
这些用户不仅免费帮Arena出题，还帮它批改答案。
例如，同样让AI写一份商业计划书，用户为什么更喜欢Claude，而不是GPT？是因为结构清楚、信息准确，还是内容更符合实际需求？
对于AI厂商来说，这些信息很有价值。
过去，大模型公司依赖内部工程师设计测试。现在，Arena通过上千万用户获得了大量真实问题，以及人们对不同答案的判断。
更重要的是，这些反馈不断产生。
2025年9月，Arena正式推出收费产品AI Evaluations。公开排行榜依然免费，但如果模型公司希望知道自己为什么输、哪些任务表现不好、怎样改进，就可以购买更详细的评测服务。
免费排行榜负责吸引用户，背后的评测数据和分析服务负责赚钱。
这一模式很快跑通。
今年1月，Arena年化收入规模约3000万美元；到了6月，已经超过1亿美元。不过，这里的年化收入是根据当时业务规模折算，并非已经实现的全年营业收入。
即便如此，从收费服务上线到突破1亿美元年化收入规模，只用了八个月。
如今，Arena已经不满足于给大模型排名。
10月8日，伴随新一轮融资，它发布了Alignment Index，开始检测AI智能体是否会未经许可执行操作、错误理解用户意图，以及把没有完成的任务谎称为已经完成。
在覆盖27个模型、约9万次真实Agent会话的研究中，Arena发现，即使是先进的AI，也会出现未经授权删除文件、没有完成检查却声称成功等问题。
从判断AI会不会聊天，到判断AI能不能可靠地工作，Arena正在扩大自己的生意范围。
- 02 -VC开始疯抢“AI考官”
Arena不是孤例。
9月22日，另一家硅谷AI公司Snorkel AI宣布完成3.5亿美元E轮融资，估值达到35亿美元，较去年5月的13亿美元上涨近两倍。
本轮由Insight Partners和S32联合领投，Greylock、Lightspeed、GV等知名机构参与。
Snorkel同样诞生于斯坦福大学的研究体系，2019年成立，早期主要帮助企业自动化处理训练数据。
但它很快发现，AI公司的需求变了。
过去，模型训练需要大量文本、图片，以及人工标注的信息。这些工作可以交给外包团队完成。
现在，AI越来越聪明，简单数据已经不够用了。
例如，一家AI公司希望模型学会分析并购交易，不能只给它几千份合同，还要有人设计复杂案例，判断它是否识别了关键风险。
这就需要律师、金融分析师等专业人士参与。
Snorkel开始把业务从出售数据处理软件，拓展到提供高质量训练数据、专业任务和评测环境。
结果是收入大涨。
根据公司披露，2025年9月推出新数据服务之后，其业务快速增长，到今年9月，年化收入规模已经超过3.75亿美元，较一年前增长超过17倍。
一家给AI提供数据和考试材料的公司，已经做出了数亿美元的年化收入规模。
中国资本也开始关注这条赛道。
9月底，据36氪报道，阿里巴巴正在考虑投资UniPat，拟领投约3亿美元，讨论中的投后估值约25亿美元，腾讯和红杉中国等机构也有意参与。
UniPat成立于2025年末，主要围绕AI模型训练、评测和真实任务数据开展业务。
它提供的服务，可以理解为帮助AI企业搭建一套考试系统。
一家大模型公司研发Agent，原本需要自己的测试团队设计任务，再由工程师检查AI是否完成工作。UniPat尝试把这套流程产品化。
一位大厂AI智能体项目负责人朱君（化名）告诉铅笔道，过去研发Agent，测试团队需要自己设计任务，再判断它完成到了什么程度。UniPat把原本测试团队负责的部分工作打包成了产品。
这背后有一笔经济账。
假设一家企业准备推出AI编程工具，自己搭建评测团队，不仅要雇佣工程师，还要开发测试环境、设计题目、验证答案。
如果第三方能够把这些工作做得更快、更便宜，企业就有理由付费。
而且，这门生意还有一个特点：AI模型不断升级，意味着考试也要不断重来。
今天发布GPT新版本，下个月Claude推出新模型，再过几周可能又有新产品出现。每次升级，厂商都要测试新能力，还要检查有没有破坏旧功能。
除了Arena、Snorkel和UniPat，更多公司已经从相关业务中赚到了钱。
其中颇具代表性的是Mercor。
这家2023年成立的美国初创公司，专门帮助AI企业招募程序员、医生、律师、金融专家等专业人才，为大模型设计任务、审核答案，提供训练反馈。
根据Sacra的数据，Mercor今年6月年化总收入规模达到约20亿美元。
另一家公司Surge AI则已经证明，这个行业能够盈利。
英国媒体此前报道，Surge AI在2024年实现超过10亿美元收入，而且已经盈利。它主要提供高质量训练数据与人工反馈，并不只是做模型评测。
这些公司的业务各不相同，但有一个共同点：它们没有像OpenAI那样投入巨资训练通用大模型，而是在帮助大模型变得更好、更可靠。
有人设计考题，有人批改答案，有人招募专家，有人把错误转化成新的训练数据。
AI越复杂，需要的专业服务越多。
这让人想起淘金热。有人挖金矿，有人卖铲子。如今AI模型公司争夺第一，而一批提供评测、训练和数据服务的公司，已经率先找到了赚钱的机会。
- 03 -AI考官赚钱，谁来买单？
给AI判卷的公司越来越值钱，但咏归基金创始合伙人张以哲提了一个关键问题 ：谁给它买单？
他认为，AI和互联网、移动互联网的发展有相似之处，产业链各环节都有自己的价值，评测同样可能找到商业位置。但具体能做成多大的生意，仍然取决于客户需求。
现在看来，付费者主要有两类。
第一类是大模型公司。
过去几年，OpenAI、Anthropic、Google等企业投入大量资金训练模型。每次发布新品，都希望证明自己的产品比竞争对手更好。
但到了2026年，仅仅证明模型数学好、编程强，已经不够了。尤其是Agent兴起之后，AI开始替人执行任务，而不仅是回答问题。
假设一家金融公司让AI分析五份上市公司财报。
AI可能只用几分钟就生成漂亮的报告，数字齐全，语言流畅。但只要遗漏一笔重大负债，或者把不同公司的财务口径混在一起，这份报告就可能无法使用。更麻烦的是，用户未必知道它错在哪里。
同样，一款AI编程工具可能一天生成上万行代码，却在修改一个功能时引入新的Bug。
模型考试拿高分，不意味着它能够真正替人工作。
2025年，OpenAI推出GDPval评测，覆盖9个行业、44种职业，共设计1320项专业任务。出题和审核专家平均拥有14年以上工作经验。
这类评测开始要求AI交付真实工作成果，而不是简单回答选择题。
它意味着考试成本发生变化。
过去，一道数学题只需要正确答案；现在，一份复杂合同、一套财务分析结果，可能需要具有多年从业经验的专家来判断。
设计这些测试需要钱，判断结果需要钱，发现错误后改进模型同样需要钱。
第二类付费者，则是准备采购AI的企业。
这部分市场或许更加值得关注。
一家银行使用AI客服，需要知道它是否会泄露客户信息；一家软件公司采购AI编程工具，需要知道它能完成多少真实任务；一家制造企业引入智能体，首先要确认它不会擅自执行危险操作。
企业真正关心的是成功率、稳定性和成本。
Arena今年9月发布的一项研究，测试了21种模型与编程工具环境的组合。在部分测试任务中，同一个模型可以达到相近的任务成功率，但使用成本最高相差约5倍。
这意味着，企业选错模型或工具，即便能够完成同样的工作，也可能付出数倍成本。
评测公司如果能够帮助客户省下这笔钱，就有了明确的商业价值。
不过，资本热潮背后，挑战同样明显。
首先是公信力。
2025年，一篇名为《The Leaderboard Illusion》的论文，对Arena的排行榜机制提出质疑。
研究者发现，在Llama 4正式发布之前，Meta曾测试多达27个未公开的模型版本。研究者认为，如果厂商可以反复测试，再选择最好的版本公开，排行榜可能存在选择偏差。
Arena对论文中的部分说法提出异议，并回应称将进一步明确多版本测试规则、标注退出测试的模型，并对部分成绩增加暂定标识。
这暴露出一个微妙的商业矛盾。
Arena既要给模型公司打分，也要向模型公司收费。
考官和考生之间存在商业关系，难免令人担心考试是否公平。
此外，还有客户数据的问题。
2025年Meta投资Scale AI之后，Google、OpenAI等客户被曝计划减少或停止合作，担心自身数据和研发方向可能暴露给竞争对手。
同样的风险，也可能出现在AI评测行业。
一家公司把尚未公开的新模型交给第三方测试，等于把自己的产品能力、技术短板和研发重点交给了外部机构。
谁能接触这些信息、如何确保保密，将成为评测服务商争取大客户的重要条件。
最后是利润。
一家评测公司，如果每接一个新客户都需要重新招募专家、设计考题、搭建环境，那么收入增长的同时，人工成本也会快速上涨。
反过来，如果能够把测试任务、专家经验和自动化工具沉淀为标准化产品，让同一套评测能力服务成百上千家企业，就更有机会获得软件公司的利润率。
因此，看起来都是AI评测生意，不同公司的商业模式可能相差很远。
有的更像软件公司，有的更像数据服务商，还有的更接近高端人才外包平台。
对投资人来说，估值不能只看收入增长速度，还要看这些收入最终能够留下多少利润。
AI考官们拿到了巨额融资，���下来，轮到它们接受市场的考试。
本文不构成任何投资建议。
本文来自微信公众号“铅笔道”（ID：pencilnews），作者：铅笔道，36氪经授权发布。