“纳米香蕉”LMArena两周500万投票

8月，nano?banana登顶LMArena文生图像榜单，带动LMArena社区流量暴增10倍，月活用户300万+。nano?banana在LMArena启动盲测后，短短两周便吸引了超过500万次总投票，并单独赢得了250万+直接投票，创下历史最高参与度。自2023年推出以来，LMArena已成为谷歌、OpenAI等AI大厂扎堆厮杀的竞技场。

今年8月，一款名为“纳米香蕉”的神秘AI图像编辑器轻松登顶Image Edit Arena榜首，直接把LMArena8月份的平台流量拉爆：

流量暴增10倍，月活300万+。

该模型自在LMArena启动盲测以来，短短两周便吸引了超过500万次总投票，并单独赢得了250万+直接投票，创下历史最高参与度。

nano?banana的神秘身份，也在LMArena社区引发广泛猜测。

在谷歌认领“纳米香蕉”，将其正式定名为Gemini 2.5 Flash Image之前，已不少网友猜到谷歌是Nano Banana的真正主人。

还有网友贴出了在LMArena上使用正版“纳米香蕉”的方法，该方法不仅免费，而且不需要登录。

不仅能让用户“近距离”接触各种最新模型，LMArena还为大模型比拼，提供了一个真实的“罗马竞技场”，它让谷歌、OpenAI等公司的最新模型，在这里真刀真枪对决，接受成千上万用户的检阅。

用户的投票和反馈，决定了这些大模型的排名，也为大模型厂商迭代模型，提供了真实的用例数据，使他们能够更加有的放矢地改进模型。

nano?banana爆红，让LMArena流量狂涨10倍，据LMArena首席技术官Wei-Lin Chiang证实，该站月活跃用户已超过300万。

无论谷歌，还是LMArena都成为这场流量盛宴中的最大赢家。

从Chatbot Arena到LMArena

LMArena联合创始人Wei-Lin Chiang和Anastasios Angelopoulos

LMArena前身叫Chatbot Arena，最初起源于2023年伯克利的一项研究项目，后来更名为LMArena。

Chatbot Arena像一个用户社区评测中心，它改变了通过学科测试来评测AI技术的传统方式，将评价权交给了社区用户，并且采用匿名、众包的成对比较，来评估大模型。

用户还可以选择模型进行自我测试。

ChatGPT、Llama 1等大模型的发布，为Chatbot Arena的出现提供了一个契机。

因为，当时人们还没有一个评测大模型的有效方法，于是Chiang就与伯克利研究人员Anastasios Angelopoulos，以及Ion Stoica共同创办了Chatbot Arena，也就是后来的LMArena。

他们的想法，是做一个以社区为中心的公开的、基于网络的平台，邀请所有人来参与评测。

很快，Chatbot Arena就引起了许多关注，成千上万的人前来投票，他们就利用这些用户投票数据，整理出了第一版排行榜。

最初上榜的，多是一些开源模型，唯一商用模型只有Claude和GPT。

随着更多模型的不断加入，Chatbot Arena的关注度也越来越高。各AI大厂纷纷请求将自己产品排名，并试图登上这个排行榜的榜首。

Chatbot Arena的走红，也让众多科技公司将之视为AI技术的风向标，他们像华尔街交易员盯盘一样，密切关注着Chatbot Arena榜单的变化。

这一切都让Meta AI产品管理总监Joseph Spisak感到十分惊讶，他惊叹于几个学生竟能产生如此重大的影响力。

Chiang希望LMArena能够成为一个对所有人都开放可及的平台，希望更多的用户来测试这些模型，表达他们的看法和偏好，以此帮助社区以及模型提供方，能够更好地基于这些真实用例来评估AI。

正如Chiang所言，在LMArena社区中，最受欢迎、增长最快的模型，往往来自于真实场景中的用例。“纳米香蕉”就是最成功的例子之一。

匿名登场和盲测机制，让nano-banana在LMArena自然爆红，当时普通用户无法手动挑选nano-banana，只有在 Battle里随机遇到它，社区里大量帖子讨论“刷很多局才等到香蕉”的体验。

目前，Gemini 2.5 Flash Image成为LMArena的“双料冠军”，获得了Image Edit Arena、Text-to-Image两个榜单的第一名。

从LMArena排名上，还可以看出各个领域表现最佳的模型。

比如，在编码领域，Claude排名最佳。在创意领域，Gemini位居前列。

也许是Meta内部AI团队调整的缘故，Chiang并没有听到太多Llama 4的消息。但他认为Meta正在构建的“全模型”，也许代表着未来行业的一大趋势。

大模型厂商为何钟情“屠榜”？

OpenAI、谷歌、Anthorpic等大模型厂商，为什么都喜欢将它们的模型放到LMArena等排行榜上？

是为了建立品牌曝光度，还是获得用户反馈来改进他们的模型？

显然，曝光与背书，是一个最直观的短期效应。

LMArena是业内关注度最高的公开榜之一，累计投票已达数百万次。而且科技媒体也喜欢频繁引用LMArena的数据，这些都可以为大模型品牌带来显著的口碑与流量红利。

其次，是更贴近“真实使用”的用户反馈。

LMArena采用匿名、随机配对的投票方式，并用Elo计分，这样做减少了“品牌光环”“位置偏置”等主观影响，能真实反映用户对模型回答质量的评价。

Elo系统最初用于国际象棋计分，也是LMArena排行榜背后的核心机制。在该规则下，每个选手（或模型）都有一个实力分数（Elo 分），每场对战后，会根据结果和预期，更新双方的Elo分。

这让每次用户投票都成为一场对战，模型Elo分经过成千上万次对战收敛，排名就可以更真实地反映用户偏好。

此外，LMArena提供了一个跨厂商、跨开源/闭源的同台竞技舞台，这天然就会带来更高流量的曝光，也为用户提供了更丰富的选型信息。

正如Chiang所言，希望将LMArena打造成一个人人都能参与、都能表达自己观点的开放空间。

这里的一切都是社区机制来驱动，鼓励大家提问和投票，表达自己对不同模型的评价。

对于大模型厂商来说，LMArena提供了一个很好的“照镜子”的机会。

大模型厂商可以看清自己在所在领域的排行情况，以及获得LMArena根据社区反馈提供的报告和分析，详细评估自己模型的表现，对症下药提升模型能力。

需要新的LLM基准测试吗？

当所有模型，都非常接近基准测试了，还需要新的基准测试吗？

Chiang认为这一点是非常必要的。但是其中一个核心原则，是这些基准要扎根于真实世界用例。

比如，能够超越传统的基准测试，转向更贴近真实用户场景的基准测试，尤其是善于使用AI工具完成任务的专业人士所驱动的基准。

以LMArena最新推出的WebDev基准测试为例，用户可以用提示词让一个模型搭建网站。这种基准测试，可以更好地将AI技术与真实世界用例紧密相连，使其更快在实际应用场景落地。

针对MIT关于“大多数投资AI的公司都没有看到投资回报”的报告，Chiang认为这是一项很有意思的研究。

他认为该研究反映了“将AI与真实世界用例紧密相连尤为重要”，这也正是他要将LMArena平台扩展到更多行业的原因。

希望通过更多扎根于真实用例的基准测试，去弥合技术与实用场景的鸿沟，并为之提供可衡量的标准。

Chiang表示，LMArena的目标是利用平台数据来理解模型的局限性，保持数据研究流程的透明，并将数据发布出来，以此推动社区平台的持续建设。

对于大模型厂商和“用户观众”来说，这里是一个永不落幕的竞技场。