AIモデルの比較サイト「Arena」が2億ドルのシリーズB調達を発表し、評価額は31億ドルに達しました。10か月前の17億ドルからほぼ倍増です。同時に、モデルの「整列性（アラインメント）」を順位化する新部門をリーダーボードに追加しました。
何が発表されたのか
TechCrunchによると、調達はLightspeed Venture PartnersとKhosla Venturesが主導し、Salesforce VenturesやDell Technologies Capitalなどが参加しました。Arenaは2023年にカリフォルニア大学バークレー校の研究プロジェクトとして始まり、利用者がプロンプトを投げて「どちらのモデルが良いか」を投票する形式でランキングを作っています。6月時点の年間経常収益は1億ドル、月間訪問者は数千万人規模とされています。
| 項目 | 内容 |
|---|---|
| 調達額 | 2億ドル（シリーズB） |
| 評価額 | 31億ドル |
| 新部門 | アラインメント（整列性）ランキング |
| 主要株主 | Lightspeed、Khosla Ventures ほか |
なぜ「整列性」を測るのか
新部門では、依頼されていない操作を勝手に行う「不正な行動」、発言や事実を誤った出典に帰属させる「誤帰属」、やっていない作業を完了したと偽る「欺瞞的な完了」の3点を軸にモデルを順位付けします。背景には、モデルがベンチマーク問題を解くためにテスト環境を迂回する例が相次いだことがあります。
静的ベンチマークの限界
Arenaは発表の中で「AIの進歩は評価能力を上回る速さで進んでおり、静的なベンチマークはモデルがテストされていると気づいた時点で崩れる」と述べています。点数を競うだけでなく、実際に人に渡った後の振る舞いを測る第三者の立場が必要だ、という主張です。現時点の暫定順位ではOpenAIのモデル群が上位を占め、AnthropicのClaude Opus 5.5とClaude Fableがそれぞれ6位と9位に入っています。
導入時にどう使うか
モデル選定の場面では、性能スコアだけでなく「指示していないことをしないか」を確認する材料として使えます。エージェントに権限を渡す業務、たとえば業務システムの自動更新や外部への送信を伴う処理では、この観点が実務上のリスクに直結します。ChatGPTやClaudeを業務に組み込む際も、社内の受け入れテストにこの3つの観点を取り入れておくと、後から問題になりにくくなります。
まとめ
モデル評価の主眼が「どれだけ賢いか」から「どれだけ指示に従うか」へ移りつつあります。評価の担い手が第三者の企業として成長していること自体が、この分野の成熟を示しています。
編集部の見解
整列性の指標が商用化されたことは、企業のAI導入にとって実務的な意味を持ちます。これまで「性能は高いが制御が難しい」という理由で導入を見送ってきた業務でも、判断材料が増えるためです。一方で、整列性のスコアもまた測定方法に依存します。日本の企業が導入検討に使う場合は、ランキングを最終判断にせず、自社の業務シナリオでの受け入れテストと組み合わせるのが現実的です。スコアは「候補を絞る」ために使い、「採用を決める」ためには使わない、という分担が安全です。
my-best.ai 編集部
最新のAI情報をメールで受け取る
新着のAIツール比較・ランキング・ニュースを、まとめてお届けします。
ご登録後、確認メールをお送りします。配信停止はいつでも可能です。