AI 測評”現在是 AI 產業里很熱的一塊。原因很直接：模型越來越強，公開考題很快被做滿分，各家實驗室和企業都缺可信的測量方法。這個賽道大致分成三類玩家。
1. 公開排行榜和獨立測評。
LMArena（原 Chatbot Arena）：靠大量用戶匿名對比兩個模型投票打分，用戶免費使用模型，實驗室付費做測評。2025 年 5 月種子輪估值 6 億美元，2026 年 1 月 A 輪估值 17 億美元。據 Sacra 估算，2026 年 6 月年化收入約 1 億美元，有人稱它是"AI 界的尼爾森"。
Vals AI：專做法律、金融、軟件等專業領域的私有考題，由領域專家出題、自動評分，考題失去區分度後就淘汰換新。2026 年 8 月拿到 a16z 領投的 4000 萬美元 A 輪，估值 4 億美元；OpenAI、Google、Meta 發布模型時都引用過它的結果。
另外還有一些非營利機構，比如 Epoch AI 和 METR。
**2. 專家評分和人工數據。**這一類錢最多。Scale AI、Surge AI、Mercor 雇專家給模型輸出打分、出難題，用於訓練和測評。Meta 2025 年以 143 億美元買下 Scale 49% 的股份之後，其他實驗室為避嫌，轉向 Surge、Mercor 等公司。現在的趨勢是從"大量普通標註"轉向"少量高水平專家"，博士級的數學、物理專家很吃香。
**3. 企業測評工具。**Braintrust（估值約 8 億美元）、Patronus、Galileo 等，幫企業測自己的 AI 應用會不會出錯、編造內容（幻覺）。這一類偏工程，競爭也最激烈。
這個賽道有三個核心難題：
考題很快過時：公開基準幾個月就被刷滿，還可能混進訓練數據。
評分本身是否可信：用戶投票可以被刷，用 AI 當裁判有偏差。LMArena 也被批評過，說大廠可以私下測很多版本、只公開最好的那個。
從"答題"轉向"做事"：業界正把重點放到長流程的智能體任務上，這類任務更難打分。
