今年8月，一款名為「納米香蕉」的神秘AI圖像編輯器輕松登頂Image Edit Arena榜首，直接把LMArena8月份的平臺流量拉爆：

流量暴增10倍，月活300萬+。

該模型自在LMArena啟動盲測以來，短短兩周便吸引了超過500萬次總投票，并單獨贏得了250萬+直接投票，創下歷史最高參與度。

nano?banana的神秘身份，也在LMArena社區引發廣泛猜測。

在谷歌認領「納米香蕉」，將其正式定名為Gemini 2.5 Flash Image之前，已不少網友猜到谷歌是Nano Banana的真正主人。

還有網友貼出了在LMArena上使用正版「納米香蕉」的方法，該方法不僅免費，而且不需要登錄。

不僅能讓用戶「近距離」接觸各種最新模型，LMArena還為大模型比拼，提供了一個真實的「羅馬競技場」，它讓谷歌、OpenAI等公司的最新模型，在這里真刀真槍對決，接受成千上萬用戶的檢閱。

用戶的投票和反饋，決定了這些大模型的排名，也為大模型廠商迭代模型，提供了真實的用例數據，使他們能夠更加有的放矢地改進模型。

nano?banana爆紅，讓LMArena流量狂漲10倍，據LMArena首席技術官Wei-Lin Chiang證實，該站月活躍用戶已超過300萬。

無論谷歌，還是LMArena都成為這場流量盛宴中的最大贏家。

從Chatbot Arena到LMArena

LMArena聯合創始人Wei-Lin Chiang和Anastasios Angelopoulos

LMArena前身叫Chatbot Arena，最初起源于2023年伯克利的一項研究項目，后來更名為LMArena。

Chatbot Arena像一個用戶社區評測中心，它改變了通過學科測試來評測AI技術的傳統方式，將評價權交給了社區用戶，并且采用匿名、眾包的成對比較，來評估大模型。

用戶還可以選擇模型進行自我測試。

ChatGPT、Llama 1等大模型的發布，為Chatbot Arena的出現提供了一個契機。

因為，當時人們還沒有一個評測大模型的有效方法，于是Chiang就與伯克利研究人員Anastasios Angelopoulos，以及Ion Stoica共同創辦了Chatbot Arena，也就是后來的LMArena。

他們的想法，是做一個以社區為中心的公開的、基于網絡的平臺，邀請所有人來參與評測。

很快，Chatbot Arena就引起了許多關注，成千上萬的人前來投票，他們就利用這些用戶投票數據，整理出了第一版排行榜。

最初上榜的，多是一些開源模型，唯一商用模型只有Claude和GPT。

隨著更多模型的不斷加入，Chatbot Arena的關注度也越來越高。各AI大廠紛紛請求將自己產品排名，并試圖登上這個排行榜的榜首。

Chatbot Arena的走紅，也讓眾多科技公司將之視為AI技術的風向標，他們像華爾街交易員盯盤一樣，密切關注著Chatbot Arena榜單的變化。

這一切都讓Meta AI產品管理總監Joseph Spisak感到十分驚訝，他驚嘆于幾個學生竟能產生如此重大的影響力。

Chiang希望LMArena能夠成為一個對所有人都開放可及的平臺，希望更多的用戶來測試這些模型，表達他們的看法和偏好，以此幫助社區以及模型提供方，能夠更好地基于這些真實用例來評估AI。

正如Chiang所言，在LMArena社區中，最受歡迎、增長最快的模型，往往來自于真實場景中的用例。「納米香蕉」就是最成功的例子之一。

匿名登場和盲測機制，讓nano-banana在LMArena自然爆紅，當時普通用戶無法手動挑選nano-banana，只有在 Battle里隨機遇到它，社區里大量帖子討論「刷很多局才等到香蕉」的體驗。

目前，Gemini 2.5 Flash Image成為LMArena的「雙料冠軍」，獲得了Image Edit Arena、Text-to-Image兩個榜單的第一名。

從LMArena排名上，還可以看出各個領域表現最佳的模型。

比如，在編碼領域，Claude排名最佳。在創意領域，Gemini位居前列。

也許是Meta內部AI團隊調整的緣故，Chiang并沒有聽到太多Llama 4的消息。但他認為Meta正在構建的「全模型」，也許代表著未來行業的一大趨勢。

大模型廠商為何鐘情「屠榜」？

OpenAI、谷歌、Anthorpic等大模型廠商，為什么都喜歡將它們的模型放到LMArena等排行榜上？

是為了建立品牌曝光度，還是獲得用戶反饋來改進他們的模型？

顯然，曝光與背書，是一個最直觀的短期效應。

LMArena是業內關注度最高的公開榜之一，累計投票已達數百萬次。而且科技媒體也喜歡頻繁引用LMArena的數據，這些都可以為大模型品牌帶來顯著的口碑與流量紅利。

其次，是更貼近「真實使用」的用戶反饋。

LMArena采用匿名、隨機配對的投票方式，并用Elo計分，這樣做減少了「品牌光環」「位置偏置」等主觀影響，能真實反映用戶對模型回答質量的評價。

Elo系統最初用于國際象棋計分，也是LMArena排行榜背后的核心機制。在該規則下，每個選手（或模型）都有一個實力分數（Elo 分），每場對戰后，會根據結果和預期，更新雙方的Elo分。

這讓每次用戶投票都成為一場對戰，模型Elo分經過成千上萬次對戰收斂，排名就可以更真實地反映用戶偏好。

此外，LMArena提供了一個跨廠商、跨開源/閉源的同臺競技舞臺，這天然就會帶來更高流量的曝光，也為用戶提供了更豐富的選型信息。

正如Chiang所言，希望將LMArena打造成一個人人都能參與、都能表達自己觀點的開放空間。

這里的一切都是社區機制來驅動，鼓勵大家提問和投票，表達自己對不同模型的評價。

對于大模型廠商來說，LMArena提供了一個很好的「照鏡子」的機會。

大模型廠商可以看清自己在所在領域的排行情況，以及獲得LMArena根據社區反饋提供的報告和分析，詳細評估自己模型的表現，對癥下藥提升模型能力。

需要新的LLM基準測試嗎？

當所有模型，都非常接近基準測試了，還需要新的基準測試嗎？

Chiang認為這一點是非常必要的。但是其中一個核心原則，是這些基準要扎根于真實世界用例。

比如，能夠超越傳統的基準測試，轉向更貼近真實用戶場景的基準測試，尤其是善于使用AI工具完成任務的專業人士所驅動的基準。

以LMArena最新推出的WebDev基準測試為例，用戶可以用提示詞讓一個模型搭建網站。這種基準測試，可以更好地將AI技術與真實世界用例緊密相連，使其更快在實際應用場景落地。

針對MIT關于「大多數投資AI的公司都沒有看到投資回報」的報告，Chiang認為這是一項很有意思的研究。

他認為該研究反映了「將AI與真實世界用例緊密相連尤為重要」，這也正是他要將LMArena平臺擴展到更多行業的原因。

希望通過更多扎根于真實用例的基準測試，去彌合技術與實用場景的鴻溝，并為之提供可衡量的標準。

Chiang表示，LMArena的目標是利用平臺數據來理解模型的局限性，保持數據研究流程的透明，并將數據發布出來，以此推動社區平臺的持續建設。

對于大模型廠商和「用戶觀眾」來說，這里是一個永不落幕的競技場。