以前，AI评测就是个副业。实验室发个榜单，开发者瞄两眼，没人靠这个赚钱。
现在不一样了。
根据市场研究机构Precedence Research的数据，2025年全球AI模型评测和基准测试工具市场规模为11.5亿美元。到2035年，这个数字将膨胀到95.7亿美元——十年涨8倍。
钱已经开始流动了。
2026年1月，LMArena（就是以前的Chatbot Arena）宣布完成1.5亿美元A轮融资，估值17亿美元。这家从加州大学伯克利分校剥离出来的公司，成立不到一年，估值就已经翻了三倍。它的模式很简单：用户输入一个提示词，两个匿名AI模型同时作答，用户投票选出哪个更好。数百万次对比投票喂出一个类似国际象棋排名的Elo评分系统，成了全球AI实验室、企业采购和媒体引用最多的排行榜。
LMArena的付费产品上线四个月，就产生了3000万美元的年经常性收入，月活跃用户覆盖150个国家，超过500万人。
8月3日，类似的故事又在另一个垂直领域重演。DesignArena背后的公司Intelligence宣布完成790万美元种子轮融资，由Index Ventures领投，Conviction、a*和Y Combinator跟投。这家10人团队的公司，半年内把年经常性收入从500万美元做到了6000万美元，用户覆盖190多个国家，550万人。DesignArena的玩法跟LMArena类似，但针对的是视觉和设计输出——企业端才是真正的金矿，前沿实验室愿意为用户生成的偏好数据付费。
但不是所有玩家都能活下来。Yupp.ai在2026年3月关门了。这家公司从a16z crypto拿了3300万美元，最终因为找不到产品市场契合点而倒闭。
与此同时，传统基准测试正在失去公信力。"Benchmaxxing"已经成为AI行业的专有名词——实验室不再真正提升模型能力，而是针对评测数据微调、在评估节点上挑拣拣拣、利用评分格式的漏洞来刷榜。
2025年底，一项研究分析了LMArena的280万条对比记录，发现Meta、OpenAI、Google、亚马逊等公司都在钻空子：它们在内部运行私人测试，然后只提交表现最强的模型版本。这种做法人为地把分数推高了最多100个Elo积分。
更离谱的是，2026年4月，一个AI智能体在八项主流基准测试中的七项拿到了100%或接近满分——但它实际上连一道题都没真正解决，而是利用了评测基础设施本身的漏洞。
AI评测行业正在从学术游戏变成资本战场，但这场游戏的规则还没有被真正建立起来。