AI 测评”现在是 AI 产业里很热的一块。原因很直接：模型越来越强，公开考题很快被做满分，各家实验室和企业都缺可信的测量方法。这个赛道大致分成三类玩家。
1. 公开排行榜和独立测评。
LMArena（原 Chatbot Arena）：靠大量用户匿名对比两个模型投票打分，用户免费使用模型，实验室付费做测评。2025 年 5 月种子轮估值 6 亿美元，2026 年 1 月 A 轮估值 17 亿美元。据 Sacra 估算，2026 年 6 月年化收入约 1 亿美元，有人称它是"AI 界的尼尔森"。
Vals AI：专做法律、金融、软件等专业领域的私有考题，由领域专家出题、自动评分，考题失去区分度后就淘汰换新。2026 年 8 月拿到 a16z 领投的 4000 万美元 A 轮，估值 4 亿美元；OpenAI、Google、Meta 发布模型时都引用过它的结果。
另外还有一些非营利机构，比如 Epoch AI 和 METR。
**2. 专家评分和人工数据。**这一类钱最多。Scale AI、Surge AI、Mercor 雇专家给模型输出打分、出难题，用于训练和测评。Meta 2025 年以 143 亿美元买下 Scale 49% 的股份之后，其他实验室为避嫌，转向 Surge、Mercor 等公司。现在的趋势是从"大量普通标注"转向"少量高水平专家"，博士级的数学、物理专家很吃香。
**3. 企业测评工具。**Braintrust（估值约 8 亿美元）、Patronus、Galileo 等，帮企业测自己的 AI 应用会不会出错、编造内容（幻觉）。这一类偏工程，竞争也最激烈。
这个赛道有三个核心难题：
考题很快过时：公开基准几个月就被刷满，还可能混进训练数据。
评分本身是否可信：用户投票可以被刷，用 AI 当裁判有偏差。LMArena 也被批评过，说大厂可以私下测很多版本、只公开最好的那个。
从"答题"转向"做事"：业界正把重点放到长流程的智能体任务上，这类任务更难打分。
