Vals AI、a16zが主導する4,000万ドルのシリーズA調達を実施し、独立したAIモデルベンチマークの構築を推進

2026/08/22 12:06:00

資金調達ラウンドが、リアルワールドでのAIパフォーマンスベンチマークに対する需要の高まりを示唆

2026年8月中旬、Vals AIは、Andreessen Horowitzが主導し、既存の投資家である8VC、Pear VC、Bloomberg Betaに加え、新規投資家であるHRT VenturesとNext Ladder Venturesが参加する、4億ドルのシリーズA調達を発表しました。同社の評価額は40億ドルです。サンフランシスコを拠点とする同社は、学術的なテストではなく、経済的に意味のあるプロフェッショナルな業務におけるパフォーマンスを評価するベンチマークを構築することで、フロンティアAIモデルの独立した評価機関であると位置づけています。その結果はすでにOpenAI、Anthropic、Google、Meta、xAIのモデルカードに掲載されています。収益は2025年全体と比較して8倍に増加し、顧客基盤は2倍、チームは6ヶ月で3倍に拡大しました。

資金調達に併せて、ValsはGitHubリポジトリから抽出したカスタムコーディングベンチマークであるVals Smith、CoreWeaveと共同で開発した再帰的自己改善能力を測定するRSIインデックス、コロンビア大学、タフツ大学、カリフォルニア大学バークレー校、UCLAの研究者たちと共同で作成したReverseEngBench、および米国GDPへのセクター別貢献度に基づいてパフォーマンスを加重した拡張版Vals Index 2.0をリリースしました。これらの取り組みは、企業がAIの導入を求められる一方で、投資収益率を正確に測定する信頼できる手段が不足している状況や、政府が最前線の能力とサイバーリスクを独立して評価する必要性が高まっている中で実施されています。中心的な仮説は、独立した継続的に更新されるプロフェッショナルタスクベンチマークが、AI経済にとって不可欠なインフラとなり、ベンダーが報告するリーダーボードスコアと、金融、法律、ソフトウェアエンジニアリング、高リスク分野での複数ステップの作業を実際に遂行する能力との間で広がるギャップを埋めることです。

なぜ従来のAIリーダーボードが企業の意思決定における予測力を失ったのか

かつて、公共の学術ベンチマークはモデルの進捗を追跡するための共通言語を提供していたが、ETHチューリッヒとスタンフォードの研究者による2026年2月の分析では、60の広く使用されている大規模言語モデル評価のうち29が飽和状態に達しており、トップモデルと2位モデルの性能差が測定ノイズの範囲内に収まっていることが判明した。コンタミネーションは、テストデータがトレーニングコーパスに流入することで発生し、その一部はCommon Crawlを通じて生じる。また、研究室では既知のターゲットに対して直接最適化を行うこともある。その結果、MMLUやHumanEval、または類似のベンチマークでの高得点は、複雑で多段階のプロフェッショナルなワークフローでの成功を信頼性を持って予測できなくなっている。Valsは、主要なテストセットを非公開に保ち、ドメインエキスパートと提携して代表的なタスクを定義し、モデル間の差異が不再生となったベンチマークを廃止することで、この問題に対処している。

2026年5月、同社は、差別化が崩壊したため、以前のCorpFin評価をより厳しいExcelモデリングベンチマークに置き換えました。この適応的アプローチでは、評価自体を静的な試験ではなく継続的なインフラとして扱い、企業が本番デプロイ用モデルを選択する際により明確なシグナルを提供します。同社の手法に関する公式ドキュメントとa16zの投資発表の両方では、継続的に更新される非公開の専門家が厳選したセットが、完全に公開されたものや純粋に非公開の静的テストよりも飽和経路により効果的に抵抗すると強調されています。

Valsが実際のプロフェッショナルなワークフローに基づいてベンチマークを構築する方法

Valsは、実務経験のある弁護士、金融アナリスト、ソフトウェアエンジニア、臨床医と提携し、各分野における優れた業務を定義するタスクの分類体系を構築し、複数選択式の正解や文字列の完全一致ではなく、専門家の基準に基づいて生成された成果物を自動採点するシステムを開発しています。典型的なFinance Agent v2のタスクでは、エージェントが文書から支援データを取得し、同業他社間で相対的価値モデルを統合し、セクターのカタリストを特定し、数値の空想やステップ間での文脈の喪失なしに根拠に基づいた投資推奨を生成することが求められます。2026年5月、最高得点のモデルはこのタスク群でわずか52％の正確性にとどまり、最前線のシステムでも専門アナリストが対処すべきタスクの約半分で失敗していることを示しています。

同じ哲学は、法的リサーチ、コード移行、ターミナルベースのエンジニアリング、医療コーディングにも適用されます。評価は自動化されていますが、専門家の判断に基づいて調整されているため、モデルへのアクセスを受け取ってから数時間以内に評価を生成でき、フロンティアのリリースの現在の週次ペースと一致します。同社は、プライベートテストセットの整合性を保護しながら再現性を支援するため、評価インフラの一部をオープンソース化しています。ドメインパートナーシップ、自動化された専門家レベルのスコアリング、迅速なターンアラウンドというこの組み合わせが、このプラットフォームを学術的なリーダーボードや単なる好みベースの分野と区別しています。

a16zが4億ドルの評価額でラウンドを主導した理由

アンドリーセン・ホロウィッツは、経済学者ジョージ・アーカロフが説明した古典的な情報の非対称性の問題を投資の根拠として挙げた：売主が買主よりも製品の品質についてより多くの情報を保有し、有利なデータを提示するインセンティブを持つ場合、市場は低品質な結果に向かって劣化する。a16zのジェニファー・リーらは、独立したAIスコアキーパーの必要性を、クレジット市場におけるムーディーズの登場や、上場企業の報告における独立監査人の歴史的出現と比較した。Valsの収益モデルは、特定の実験室の主張を認証するのではなく、評価サービスに対して料金を課すことで、構造的な独立性を維持することを目的としている。

同社は、創設者の技術的深さとベンチマークの有効性に対する長年の疑念を強調し、レイアン・クリシュナンとラングストン・ナッシュルドがスタンフォード大学でコンピューターサイエンスを学んでいた際、すでに現実世界の測定課題について協力していたことを指摘した。このラウンドの評価額と量的取引に関連するHRTベンチャーズの参加は、洗練された資本が信頼できる測定を周辺的な研究ツールではなく、重要なインフラと見なしていることを示している。a16zの公式コメントでは、モデルが質問に答えるものから複数時間にわたるエージェントワークフローを実行するものへと移行しており、不適切なモデル選択のコストがトークンの消費から時間の損失や顧客の結果の損失へと上昇していると強調されている。

創設者の経歴と独立評価仮説の由来

同社のCEOを務めるレイアン・クリシュナンは、有名なデータ分析企業であるPalantirでの経験を有しています。共同創業者のラングストン・ナッシュルドはCTOとして、Meta、NVIDIA、Hudson River Tradingなどの大手テクノロジー企業での豊富な経験を持っています。この2人の創業者は、スタンフォード大学での事前オリエンテーション中のバックパッキング旅行で初めて出会い、すぐに絆を深めました。その後、彼らは複数のコンピュータサイエンスの授業で協力し、大きな気付きを得ました：大規模言語モデルは、仕事のやり方を革命的に変える可能性を秘めているということです。しかし、彼らはまた、業界がこれらのモデルを信頼性があり効果的にテストする方法をまだ欠いていることに気づきました。これらの洞察に駆られて、彼らはそれぞれの大学院プログラムを中退し、Valsを設立するという大胆な決断を下しました。彼らの新規事業の初期の焦点は、米国経済活動の大部分を占めると判断された金融とコーディングのタスクでした。

市場での存在感を高めるにつれて、彼らは主要なモデルカードで注目され、商務省からの支援を受け、AI政策に関する議会の取り組みにも関与しました。創業者たちは、古くなったベンチマークを継続的に廃止し、プライベートテストセットを活用することの重要性を強く重視しています。このアプローチは、モデルが静的ベンチマークの上限にどれほど速く到達するか、およびトレーニングデータが公的評価にどのように影響を与えるかという観察に基づいています。彼らの生産システムとクオンティタティブ環境における豊富な経験は、評価スタックの設計だけでなく、企業が最先端の技術に沿ってモデルを選択・監視するために現在利用している商業製品の設計にも大きく影響しています。

ファイナンスエージェントのベンチマークにより、リーダーボードのスコアとアナリストレベルの作業の間には継続的な差異があることが明らかに

モデルは過去の学術的なベンチマークではほぼ完璧な結果を達成しているが、Finance Agent v2ベンチマークは依然として無視できない重大な不足を明らかにし続けている。このベンチマークに含まれるタスクは、複数文書の統合、相対的価値モデリング、推奨生成を含み、すべて業界のプロフェッショナルな金融アナリストが日常的に生み出す成果と密接に一致している。2026年5月に最高システムが記録した52％という上限は、広範な一般知識のスコアが高いからといって、信頼できる自律的な金融分析能力が自動的に得られるわけではないことをはっきりと示している。

Valsは、米国のGDPにおける各セクターの寄与度を概算で考慮し、Valsインデックスを戦略的に加重します。これにより、金融セクターに大きな乗数効果が生じ、さまざまなモデルの総合ランキングに経済的影響が正確に反映されます。Valsの評価を一部に基づいてモデルを採用した企業は、初期選定プロセスだけでなく、確立された最前線基準に対する製品パフォーマンスの継続的な測定にもこのプラットフォームを利用していると報告しています。さらに、パフォーマンスの既存の差異は、金融機関における資本配分決定を導く上で重要な役割を果たしています。これらの機関は、主観的で信頼性が低い可能性のある定性的なデモンストレーションに頼るのではなく、定量的な生産性向上によってAIへの支出を正当化しなければなりません。この継続的な評価プロセスは、AI技術への投資が実質的な利益と運用効率の向上をもたらすことを保証するために不可欠です。

Vals Smith、エンタープライズリポジトリから直接抽出したカスタムコーディングベンチマークを公開

シリーズAの発表に伴い、ValsはSmithを一般公開し、任意の組織が自身のGitHubリポジトリからカスタムコーディングベンチマークを生成できるようにしました。このシステムは、過去のプルリクエストから実際の開発タスクを抽出し、モデルがその作業を完了できるかどうかを隠されたテストで判定します。ユーザーは開始時に120クレジットを無料で受け取れます。独自のパターン、ライブラリ、アーキテクチャの規約を含むコードベースを持つ企業にとって、汎用的なPythonまたはJavaのスキルと、その特定の環境内で作業できる能力との差は決定的です。

スミスは、コーディング能力という抽象的な質問を、具体的な組織固有の指標に変換した。早期の企業導入者は、部分的に記憶されたり最適化されたりした可能性のある公開ベンチマークではなく、実際のエンジニアリングワークロードに基づいてモデルをランキングできるようになった。このリリースにより、Valsの範囲は事前構築されたドメインベンチマークを超えて、顧客のニーズに応じてスケールするカスタム評価インフラへと拡大した。

RSIインデックスとReverseEngBenchがフロンティアリスク分野へのカバレッジを拡大

最近の資金調達と併せて、ValsはCoreWeaveと協力して開発したRSIインデックスを発表しました。この革新的なインデックスは、モデル開発、圧縮技術、トレーニング手法、パラメータ最適化戦略、ハーネスエンジニアリング実践、およびトレーニング後の評価に不可欠な研究タスクをさまざまなモデルが実行できるかを評価することを目的としています。さらに、同社はコロンビア大学、トフツ大学、UCバークレー、UCLAといった著名な学術機関と密接に協力して精心して開発したReverseEngBenchを導入しました。この包括的なベンチマークは19の独自プログラムで構成され、合計で16,000行以上のコードを平均しています。

これらのプログラムは、ネットワークプロトコル、ファームウェア、ゲームアプリケーション、ファイル形式の復元プロセス、マルウェア分析など、多様な分野をカバーしており、すべてセキュリティ強化を目的とした広範なアンチアナリシススイートで保護されています。初期の結果によると、最先端モデル間には顕著な差異が見られ、エージェントが現実的なバイナリを一貫して逆エンジニアリングするにはまだ大きな可能性が残されています。これらの取り組みに加え、メンタルヘルスアプリケーション分野でも初期段階の作業が開始されており、環境影響評価、軍事アプリケーション、バイオセキュリティ分野へのさらなる拡大が計画されています。これらの評価はリスク志向であり、企業のセキュリティ体制の強化と最先端システムに対する政府の評価に不可欠な能力を対象としています。

Valsインデックス2.0は、経済貢献度に応じてパフォーマンスを加重集計します

再設計されたウェブサイトとVals Index 2.0は、金融、コーディング、法律タスクを含むさまざまな分野で大幅に広範なカバー範囲を備えています。インデックスで使用されるセクターの重みは、経済分析局が提供する付加価値データに基づいています。採用されている複合式は、各セクター内のパフォーマンス指標を平均化し、その後、GDPに対する概算シェアに基づいてこれらのセクタースコアを統合します。2026年8月中旬現在、Claude Opus 5がインデックスの先頭に立ち、その直後にClaude Fable 5とGPT-5.6 Solが続きます。

インデックスは、最新のモデルリリースを反映するため頻繁に更新され、潜在的な経済的影響を示す単一の主要指標として機能すると同時に、ユーザーが個々のドメイン別ランキングに深入りしてより詳細な洞察を得ることを可能にしています。基準となるベンチマークが基本的に非公開であり、定期的に更新されるため、このインデックスは純粋に公開されたコンポジットと比較して、より長期間にわたり差別化を維持できます。企業や研究者は、相対的なランキングを確認するだけでなく、現在のモデルエコシステム全体におけるコスト・レイテンシ・能力のトレードオフ分析にもこのインデックスを活用し、利用可能な最も関連性の高いデータに基づいて意思決定を行っています。

企業の採用パターンと定量的なROIへの需要

大規模なAI導入では、ベースモデルの選定および内部製品を最前線のパフォーマンス指標と比較評価する際に、Vals評価をますます取り入れています。この迅速な対応、ドメイン特化性、独立性の組み合わせは、調達チームと技術リーダーが直面する実務上の課題を効果的に解決します。ベンダーのスコアカードだけでは、リスクの高い意思決定を行うにはもはや不十分です。

2025年全体に比べて8倍の収益成長、たった6ヶ月で顧客基盤が2倍、従業員数が3倍に増加したことは、需要が初期の実験段階から運用上の依存段階へ移行したことを明確に示している。政府機関も、能力測定とサイバーリスクに関する貴重な洞察を得るためにこのプラットフォームと連携しており、商業的および政策的文脈におけるその重要性をさらに強化している。プラットフォームが週次モデルリリースに追いつき続ける能力により、シグナルは数ヶ月遅れることなく、常に最新かつ関連性のある状態を維持している。

エコシステムと好みベースプラットフォームとの構造的差異

他の評価手法としては、オープンエンドな出力に対する人間の判断を集約する優先度投票の場や、評価時間を大幅に短縮することを目的とした心理測定的アプローチが存在します。Valsは、高関連性と実用性を保証する専門家が策定したプロフェッショナルタスク設計、および確立されたドメイン基準に厳密に適合するように調整された自動採点によって他と差別化されています。同社は、評価の整合性を維持するために継続的に更新されるプライベートテストセットを利用しており、業界の主要なフロンティア研究所すべてから引用実績を確立しています。

この引用記録は、新規参入者が信頼性を獲得するために努力しなければならない重要な正当性の形です。さらに、同社が会話の好みや単なる速度にとどまらず、経済的に重み付けされた複数段階のワークフローを重視していることから、研究リーダーボードの参加者にとどまらず、意思決定を支援する重要なインフラとして位置づけられています。投資家は明らかにこの独自の差別化を認識し、印象的な4億ドルの評価額に反映させています。

モデル開発者向けの推論と能力測定のスピード

フロンティア研究室は、今や独立したスコアが外部からの信頼性を保ち、自己報告された数値が次第にその信頼を失う環境で運用されています。モデルカードへの引用は、企業の購入者が結果が第三者による検証を経ていることを示します。同時に、より難易度の高いベンチマークの継続的な作成により、次世代のモデルが乗り越えなければならない基準が引き上げられています。したがって、AIの進歩を推進してきた「登頂」プロセスは、より急峻で頻繁に更新される山々に直面しています。

評価を後回しにする開発者は、デプロイ後に能力のギャップに気づくリスクに直面する。一方、早期に独立した測定を統合した開発者は、実際の作業に重要な改善を優先できる。選択されたインフラ構成要素のオープンソース化は、最高のシグナルスコアを生み出すコアなプライベート評価を保護しながら、再現性をさらに促進する。

信頼できる測定機関に対する広範な市場のニーズ

AIシステムが法的・財務的に重要なワークフローに深く浸透するにつれ、独立した測定の欠如は、過去に他の業界で格付機関や監査人が生まれたのと同じ情報の非対称性のリスクを生み出している。Valsの成長指標とその背後にある投資家の質は、資本がこの制度的なギャップを認識していることを示している。同社が掲げる「人工知能の独立した評価者となる」というミッションは、ROIの明確化を求める企業や、能力とリスクに関する洞察を求める政策立案者の実務的要件と一致している。

さらなる専門分野およびリスク分野への拡大は、この手法が独立性とシグナルの品質を維持したままスケール可能かどうかを試すことになる。現時点では、最近の製品リリース、迅速な商業的拡大、そしてハイプロファイルな資本投資の組み合わせにより、Valsはどのようなモデルが実際に重要な作業を実行できるかを決定しなければならないすべての人の中心的な基準点となっている。

よくある質問

Vals AIはシリーズA資金調達ラウンドで何を発表しましたか？

Vals AIは2026年8月13日、4億ドルの評価額で4,000万ドルのシリーズAラウンドを終了しました。このラウンドはAndreessen Horowitzが主導し、既存の投資家である8VC、Pear VC、Bloomberg Betaが継続して参加し、新たにHRT VenturesとNext Ladder Venturesが投資に加わりました。同社は同時に、カスタムコーディングベンチマーク用のVals Smith、RSIインデックス、ReverseEngBench、拡張されたVals Index 2.0、および再構築されたウェブサイトをリリースしました。Valsおよびa16zの公式声明は、これらの数値と併せて製品のリリースを確認しています。

Valsベンチマークは、MMLUやSWE-benchなどのパブリックリーダーボードとどのように異なりますか？

Valsは、ドメインエキスパートと定義された複数ステップのプロフェッショナルワークフローを、エキスパート基準に調整された自動システムでスコアリングします。主要なテストセットは非公開であり、モデルの差別化ができなくなった時点で退役され、汚染や最適化の不正を軽減します。公開の学術用スイートはしばしば飽和したりトレーニングデータに漏れたりし、実際の企業タスクに対する予測価値を制限します。Valsのアプローチは、モデルへのアクセス後数時間以内に結果を生成し、すでに主要な研究所のモデルカードに反映されています。

ファイナンスエージェントタスクにおける52パーセントのスコアの意義は何ですか？

2026年5月、最上位のモデルは、相対価値モデリング、文書統合、および根拠に基づく推奨を必要とするFinance Agent v2スイートで約52％の正確性を達成しました。この数値は、最も優れた既存のシステムでも、プロの金融アナリストに求められるタスクの約半分で失敗していることを示しています。学術的なスコアとプロフェッショナルなタスク実行能力の間のこのギャップこそ、Valsが測定し、その是正を支援しようとしている問題です。

創設者は誰で、どのような経験を持っていますか？

CEOのレイアン・クリシュナンは以前、Palantirで勤務していました。CTOのラングストン・ナッシュルドは、Meta、NVIDIA、Hudson River Tradingでの経験があります。両者はスタンフォード大学でコンピューターサイエンスを学び、会社を設立する前に測定問題の共同研究を始めました。彼らの背景には、生産システムに関する経験と定量的・研究的な視点が融合しており、Valsの厳密で適応的な評価への注力が形作られています。

Vals Smithは企業に何を可能にしますか？

Vals Smithは、任意の組織がGitHubリポジトリからカスタムコーディングベンチマークを直接生成できるようにします。このシステムは、過去のプルリクエストから現実的な開発タスクを抽出し、隠されたテストを適用します。ユーザーは120クレジットを無料で利用できます。このツールは、汎用的なコーディングベンチマークを、独自のコードパターンやエンジニアリング手法を反映した組織固有の測定値に変換します。

Valsインデックスは経済的重みをどのように取り入れていますか？

インデックスは、金融、コーディング、法律のタスクにおけるパフォーマンスを集計し、米国経済分析局のデータを用いて各セクターの平均を米国GDPへの寄与度に応じて加重します。これにより、個々のドメインの結果を詳細に検査しつつ、潜在的な経済的影響を一つの指標として示します。バージョン2.0はカバー範囲を拡大し、新しいモデルのリリースに応じて頻繁に更新されています。