Arena 把自己归入与 Scale AI、Mercor、Surge 等竞品同一赛道，但这几家公司的营收体量差距悬殊。Scale AI 在 Meta 收购近半股权前年收入已超 10 亿美元，Mercor 和 Handshake 的年化总收入也先后突破 10 亿美元，Mercor 甚至已实现自由现金流盈利。相比之下，Arena 的 1 亿美元 ARR 更像一个「第二梯队」的起跑线。这些公司赚的都不是订阅费，而是向模型厂商收取的服务费，扣除支付给外包专家的款项后，净收入通常只有总收入的 30%-40%。

Arena 的免费排行榜是它的社区根基，但也是它最微妙的资产。UC Berkeley 教授、Databricks 联合创始人、也是 Arena 联合创始人之一的 Ion Stoica 的学术声望，让 Arena 的排名获得了一种「准学术」公信力。然而一旦商业化，模型厂商就同时是 Arena 的「评测对象」和「付费客户」——这种双重身份是否会侵蚀排名的客观性？硅谷已有声音质疑，社区评测的公正性高度依赖运营方的独立性，而 Arena 的 B 端分析服务恰恰需要模型厂商的深度合作。

Arena 的快速崛起传递了一个信号：AI 模型评测正在从「内测实验」走向「商业基础设施」。但行业标准化的方向远未定型。2026 年 5 月，中国发布人工智能终端智能化分级系列国家标准，从 L1 到 L4 定义了智能化水平；微软 Foundry 则推出了自有的评估器框架，涵盖连贯性和流畅度等维度。这些由巨头和监管机构牵头的「官方标准」，与 Arena 的「社区众包标准」之间，正在形成一条新的竞争线——谁能定义「好模型」，谁就掌握了产业链的话语权。

Arena 的排名基于超过 1000 万次用户投票，但它的投票者画像并不代表所有用户。Arena 的用户通常是 AI 早期采用者、技术爱好者或从业者，他们偏好前沿模型、对 prompt 设计更熟练，这导致排名天然偏向「极客友好型」模型，而非「大众日常型」模型。真正值得追问的不是「哪个模型最聪明」，而是「谁的评测体系能代表真实世界的长尾需求」——比如老年用户、非英语母语者、低技能劳动者的使用体验，恰恰是众包评测的盲区。