验证器经济：谁在卖「对错」，谁在收「判定税」

一次并购，如何重排整个行业

2025 年 6 月，Meta 花 143 亿美元买下 Scale AI 不到一半的股份。这笔交易没有买来一家公司，却买碎了整个行业最值钱的东西——中立性。此后 12 个月里，预算迁移喂饱了三家新贵，也顺手给所有后来者立了一条铁律：裁判不能被球员持股。

先把交易本身看清楚。2025 年 6 月，Meta 以 143 亿美元收购 Scale AI 49% 的无投票权股份，按此推算 Scale 估值约 290 亿美元——相比 2024 年 5 月 F 轮的 138 亿美元翻了一倍多。结构比数字更重要：无投票权让 Scale 在法律上保持独立，但创始人 Alexandr Wang 本人直接加入 Meta 超级智能研究团队。从此，市场面对的是一个半只脚已经踏进 Meta 的「独立」数据服务商。

客户的反应快得像条件反射。 frontier 实验室最敏感的资产，是塑造未发布模型的数据——没有任何一家实验室愿意把这些数据交给一个被直接竞争对手持股一半的供应商。几周之内，OpenAI 终止合作，Google 暂停后在几个月后小规模恢复，Microsoft 与 xAI 收缩。Scale 对 Forbes 承认：2024 年收入 8.7 亿美元，2025 年「差一点到 10 亿」，还预计 2026 年才重新破 10 亿——它的收入曲线被这场并购自己压弯了。

空出来的预算去了哪里？2026 年的答案已经摆上台面。Mercor——2023 年成立的「专家人才市场」，2025 年 10 月 C 轮估值 100 亿美元（五个月内翻五倍），2026 年 7 月被曝谈判以 200 亿美元再融 5 亿，年化收入冲到约 20 亿美元，四个月翻倍。Surge AI——一家 110 人、从未拿过风投的公司，2024 年收入就超过 10 亿美元，2026 年年中首次开放融资，谈判估值区间 150 亿到 250 亿美元。Handshake——一个校园招聘平台转型而来，2026 年 4 月年化毛收入 11 亿美元、同比 +349%，顺手收购评测公司 Cleanlab 补第二层能力。

三家的共同点只有一个：它们都从 Scale 中立性破产的裂缝里接走了预算。这不是经营能力的胜利，是结构位置的胜利——当行业唯一的大供应商失去裁判资格，预算必然流向「还干净」的人。这里自然冒出一个反问：实验室为什么不干脆自建？答案揭示了这一层的经济本质。自建意味着养一支覆盖物理、法律、医学、代码的全职专家队伍，而前沿数据的需求是脉冲式的——一次大版本后训练就要数百名特定领域专家密集工作数月，平时用不上。Mercor 的价值是把「按周租一个 PhD 网络」变成标品；Surge 的价值是 thousand 人级交付的质量稳定性。这是典型的能力专业化分工，和实验室不自建晶圆厂是同一个道理——只是这一行的「晶圆」，是人脑里的专业知识。

判定权的经济学：四层地图与三个口径

「谁更好」「谁对」「谁通过」——模型供给爆炸之后，判定需求跟着指数增长。这门生意已经分成四层，每层卖的东西不一样，护城河和死法也不一样。看懂分层，才不会被「AI 数据」四个字糊住眼睛。

先回答一个根本问题：判定为什么变成了大生意？三个条件在 2025-2026 年同时成立。其一，模型供给爆炸。每月都有新模型发布，基座、微调、推理变体加起来，企业要面对的选项数以百计。其二，能力趋同。SWE-bench Verified 榜单前六名模型的成绩差距已缩小到 1.3 个百分点——企业团队拿着六位数的采购预算，在统计噪声里做决策。其三，自证失信。每家实验室都随模型发布自家基准，裁判和球员共用一个更衣室。三个条件叠加，「第三方判定」从学术副产品变成了采购刚需。

把这门生意拆开，是四层结构：

市场有多大？这里是第一个需要口径纪律的地方——三个「评测市场」的数字差异极大，各自量的是不同的东西。口径一：评估即服务（EaaS）——第三方平台替企业跑基准、出报告，2026 年全球约 22.5 亿美元，预计 2030 年 63 亿美元。口径二：评测平台与工具——含订阅和咨询，2026 年约 23.6 亿美元、年增 27%。口径三：狭义基准测试工具——2025 年仅 3.5 亿美元，但 2035 年预计 60 亿美元、CAGR 33%，是三条曲线里最陡的。

而这三个口径加起来，仍然严重低估真实的盘子。原因在于最大的一块支出根本不进「评测市场」的统计：给模型写推理链、排偏好、当人肉裁判的人力数据支出。Labelbox 的 CEO 给过一个被业内反复引用的数字——每家头部实验室每年在数据上的花费已超过 10 亿美元。八家头部实验室，就是一个至少八十亿美元的年度账本，是「数据集市场」（2025 年约 32 亿美元）的两倍以上。判断：看这门生意，不能看「数据标注市场」的报表，要看实验室训练预算里「人类反馈」这条线——它才是验证器经济的第一大账本。

L1 专家人力层：从卖力气到卖智慧

五年前这个行业最贵的任务是「这是不是停止标志」，今天最贵的任务是「这两个法律论证哪个更站得住，为什么」。同样是人打工，时薪从几美元涨到 200 美元，公司估值从几十亿冲到几百亿——但也埋了三颗雷。

2026 年的数据标注市场，实际上是两个碰巧同名的生意。底层是商品化标注：画框、打标签，时薪几美元，正被自动化吞掉。顶层是前沿数据：请物理学博士写推理链、请执业律师设计评判标准、请资深工程师给代码打分，时薪 50-200 美元。两层曾经混在同一份融资 PPT 里，但经济模型、地理分布和赢家名单已经完全分家。2022 年之前，标注基本等于给自动驾驶画行人框——那是 Scale 成名的生意，也是 Appen 当上股市场景的原因。ChatGPT 把一切翻转了：大模型的对齐不靠标图片，靠人类写、排、评文本。地球上最贵的标注任务，两年内从「是不是猫」换成了「哪份法律论证更严谨」。

这场翻转的输赢已经写在了市值上。Appen——澳洲上市的标注先驱，2020 年市值一度接近 40 亿美元，没能跳上前沿数据这条船，2026 年年中市值只剩 1.9 亿至 3.9 亿澳元：一个品类退化的完整标本。跳上去了的，则是下面这张桌面：

这张桌面看似烈火烹油，其实埋着三颗一样的雷。第一颗：收入是流水不是利润。市场平台模式记的是 gross GMV——Mercor 的 20 亿 ARR 里，给专家的分成要划掉大头，抽成只有 30-40%；Sacra 的对照口径显示，这一层公司的估值倍数普遍压在「年化净收入的 30 倍」附近，而不是新闻标题里「收入」的 10 倍。第二颗：客户集中度。全行业的金主就是八个 frontier 实验室加少数超大规模云厂——一门「基础设施」生意，客户数量还不如一家街边连锁的门店多。第三颗：一次泄露就是灭顶。2026 年 3 月，Mercor 追踪到一起源自开源工具 LiteLLM 的数据泄露，Meta 随即无限期暂停合约——注意，被黑的是开源组件，不是 Mercor 的核心系统，惩罚却照单全收。在信任生意里，可疑与有罪同罪。

中国镜像走的是另一条路。A 股唯一纯标的海天瑞声（688787）给出了对照样本：2025 年营收 3.77 亿元、同比 +59%，归母净利 1412 万；2026 年一季度营收 +38.6%、扣非净利 +813%。毛利率改善的驱动被公司自己在调研纪要里说得很直白——G 端「可信数据空间」业务起量：卖标准化平台和方案，人力密集度低、交付周期短、边际成本递减，比传统定制标注赚得多。这是中美商业模式的关键分岔：美国 L1 层的付费人是你 rival 的实验室（信任逻辑），中国 L1 层的付费人是政府数据体系（合规逻辑）。同一家公司还在做第三层的事：在北京运营首个具身智能数据训练场，100 多台真机器人 7×24 小时产数据——这留给第五章。市场规模上，中国数据标注 2026 年预计突破 150 亿元、约占全球三成，CR5 有望从 45% 抬向 60%——集中度上升，头部通吃。

出海是第二条中国故事线，而且已经从「卖人力」升级成「卖能力」。海天瑞声把东南亚基地做成千人级交付枢纽——2024 年整合超 1000 人标注基地，2025 年贡献千万级美元收入，2026 年计划建第二个境外基地。全球标注产业的地理迁移逻辑和制造业一模一样：核心能力（平台、质检、领域专家）留在头部，规模化交付落在成本洼地。对二级市场投资者，这个变化的含义是：中国标注公司不再是「人力成本套利」的故事，而是「平台+枢纽+垂类」的工程网络故事——估值逻辑要跟着换。

海天瑞声调研纪要里还有一句值得单拎的话：RL 阶段「难例的价值远超易例」——模型初始成功率低的样本，才配得上专家时薪。这句话是第三章到第五章的桥：当易例被模型自己消化，人类的验证价值就向难例前沿收缩。收缩到头会发生什么，第五章算这笔账。

L2 独立评测层：裁判的生意，与独立性悖论

两个伯克利博士生 2023 年搭的模型对打网页，18 个月后估值 17 亿美元、年化收入破亿。LMArena 证明了「裁判」可以是一门独立的生意——但它最深的护城河「独立」，恰恰被它的商业模式按在水里。

LMArena 的轨迹值得完整走一遍，因为它是 L2 层的教科书样本。2023 年，Anastasios Angelopoulos 和 Wei-Lin Chiang 在 UC Berkeley 做 Chatbot Arena：两个匿名模型的回答并排摆开，用户投票选更好的一个，Bradley-Terry 统计模型把几百万张选票聚合成 Elo 排名。2025 年 4 月公司化（Arena Intelligence Inc.），5 月种子轮 1 亿美元、估值 6 亿（a16z 与加州大学退休金联合领投）；2026 年 1 月 A 轮 1.5 亿、估值 17 亿，总融资 2.5 亿美元。商业化产品 2025 年 9 月才上线——企业花钱雇它用五百万月活用户的人群池做定制评测——四个月做到 3000 万美元年化消费额，2026 年 6 月宣布破 1 亿。客户名单：OpenAI、Google DeepMind、Anthropic、Meta——全都是被它排名的实验室。

悖论之外，L2 层还有两条不太显眼但更冷的钱流。第一条：私测题。Scale 的 SEAL 榜单把题目藏在保险库里——由审核过的领域专家写题并评分，题目永远不公开，让实验室无法把测试集训练进模型。私测题的商业模式清晰：防污染，按次收费。它承认了一个公开基准时代的终结——凡是公开的题目，终将被刷穿。第二条：评测通胀。Artificial Analysis 的数据：评一个推理模型 o1 跑完七项基准要花 2767 美元，评一个非推理的 GPT-4o 只要 109 美元——25 倍差距。推理模型的判定本身要烧推理算力，意味着第三方评测的成本正在指数上涨。这带来一个略带讽刺的结论：独立验证越来越贵，贵到学术界复现不起、只能买——「可复现性」这门科学的基本盘，正在变成一门付费订阅。

独立性风波不只在 LMArena 一家。非营利机构 Epoch AI 2024 年 12 月披露：其重磅数学基准 FrontierMath 由 OpenAI 出资缔造，且 OpenAI 能接触相当一部分题目与答案——学术界哗然。三起风波（LMArena 择优公布、FrontierMath 资助方、Scale 中立性）指向同一个结构性问题：L2 层卖的产品是公信力，而公信力的生产成本必须有人付。谁付钱，谁就获得影响力——这是评级机构一百年来没解开的死结，Moody's 在次贷危机里演过一遍。

中国给出了另一种解法：把裁判收编成基础设施。中国信通院的「方升」体系已评测 141 个大模型，行业标准 YD/T 6921-2026 于 2026 年 6 月发布——评测不是一门生意，而是一条监管轨道：模型上线要过标准，标准由国家队定。这个路线不追求 LMArena 式的市场化公信力，追求的是合规强制性。它同样是一种验证器生意，只是变现方式从「卖评测」变成了「定义合格」——对国内的评测与数据服务商而言，进入这条轨道本身就是护城河。

L3+L4 验证器的工业化：环境、沙箱与人机赛跑

DR.006 说「谁能造出验证器，谁就握住 RL 产业的咽喉」。2026 年，这句话开始有报价了：环境即产品、沙箱即考场、验证器库即批发市场——而且买家排到了六千家。

先看这一层的标杆案例。Prime Intellect，2024 年成立，2026 年 7 月 A 轮融 1.3 亿美元、估值 10 亿美元——领投 Radical Ventures，跟投名单直接写着 NVIDIA Ventures、Intel Capital、Dell Technologies Capital、ICONIQ，天使名单里有 John Schulman（RLHF 的发明人之一）、Aaron Levie、Aravind Srinivas。卖什么？一套「开放超级智能栈」：算力调度、大规模 RL 训练框架（prime-rl，开源）、验证器组件库（verifiers，MIT 协议）、RL 沙箱（Prime Sandboxes，2026 年 9 月上线的硬件级微 VM 考场）加托管推理。公司口径：一年内 6000 多家客户、年化收入破 1 亿美元——含给 Ramp 这类企业做的后训练服务。

注意它商业模式里最重要的一步棋：把验证器做成了可复用的产品。DR.006 说过，RLVR 的咽喉是「造出判定对错的验证器」；Prime Intellect 的 verifiers 库和数千个开源 RL 环境，等于把验证器从「每个实验室的定制工程」变成「货架商品」——环境库就是验证器的批发市场，沙箱就是标准化的考场。这也解释了芯片厂的入股：NVIDIA/Intel/Dell 的钱不是在投一家数据公司，是在给「RL 工业化」这个新负载提前铺卡位。

第二记信号来自 L1 层的内部迁徙。Snorkel AI 从标注软件起家，2026 年 9 月 E 轮融 3.5 亿美元、估值一年内从 13 亿涨到 35 亿，年化收入 3.75 亿——它的转型方向是卖「成品数据集 + RL 环境」。L1 的龙头在主动往 L3 走，因为环境是可以反复卖的产品，而人力是一次性的服务。海天瑞声的具身数据训练场（100 多台真机器人、自研平台、7×24 算法质检）本质上是同一逻辑的具身智能版本：把一次性的标注服务，升级成可持续产验证数据的资产。这是判断 L1 公司成色时最值钱的一个指标——它有没有在把服务变产品。

L4 工具链层则走着另一条被验证过的路：开源免费 + 云端收费。Braintrust（估值 8 亿美元）把评测和可观测打包；Patronus 专攻幻觉与事实性评估；开源框架 DeepEval、LangSmith 的 eval 功能把门槛打到地板，商业版在云端收钱。这个模式与 Datadog 为代表的可观测性行业同构——评测正在成为 AI 时代的 APM（应用性能监控），跟着 Agent 部署量的增长收税。

把 L1 和 L3 放进一张图，就是这场赛跑的本质。自动验证（RLVR、形式化证明、单元测试）沿着任务难度前沿从易到难推进：数学和代码已经工业化，Agent 任务正在上产线。人类专家验证则向难例前沿收缩，而且越收缩越贵——能评判前沿物理推理链的人，全球可能只有几千个。两种终局：乐观版是「精品投行化」——人类层收缩到难例前沿带，单价更高、玩家更少、更集中，L1 变成小而美的稀缺资源生意；悲观版是「Appen 化」——自动验证覆盖速度超过难例前沿移动速度，L1 被整体去中介化。现实的答案大概率是分域：可形式化的域先失守，主观、长尾、跨学科的域人类长存。附带一个 DR.006 读者会心一笑的提醒——验证器本身可以被 hack（spurious rewards、奖励黑客），所以「验证器的验证器」会是这条赛道的下一层生意，L4 的审计向会先吃到。

（本篇 L3 层最纯样本的完整解剖——Prime Intellect 的五层产品栈、谁在买、以及悬赏制如何给人重新计价——见文末附录 B。）

投资映射：三种死法、三种活法与六个观察哨

把四层地图翻译成投资语言：这是一门客户只有八个实验室的「基础设施」生意，估值全是私募谈判价。它有三种教科书级的死法、三种正在发生的活法，和六个可以按季度核对的开关。

三种死法，其中两种已经发生过。死法一：中立性破产——Scale 实证。客户把最敏感的资产交给你，前提是你没有主人；一旦被任何一家球员持股，裁判资格即刻吊销。死法二：被去中介化——Appen 实证，且风险仍在加深：labs 完全可以自建 evals 团队（OpenAI 已有先例），若头部实验室把评测能力产品化对外，L1/L2 的中间层直接被抽掉。死法三：单品类退化——不跟着任务形态升级的公司，无论当期现金流多好看，都会被下一次范式切换整层抹掉；标注框时代的第一名没有一家活进推理链时代。

三种活法，分别对应三条估值逻辑。活法一：环境化——把人力服务升级成可复用的产品（RL 环境库、沙箱、验证器组件），Snorkel 和 Prime Intellect 在走这条路；一旦收入结构里「环境/产品」超过「人力/服务」，估值逻辑就从服务外包（净收入数倍）切换到基础设施（收入数十倍）。活法二：标准化——评测嵌入企业采购与合规流程，成为 AI 时代的审计与 APM，LMArena 的企业评测产品与 L4 工具链在走这条路。活法三：国家化——中国市场特有，绑定可信数据空间与监管标准轨道（方升体系、YD/T 6921-2026），以合规强制性替代市场公信力；海天瑞声 G 端业务拉高毛利是一季度的实证。三种活法不互斥，同一家公司可以叠加，但收入结构里哪条占大头，就应该用哪条逻辑给估值——这是本篇最想留下的方法论。

范式切换的底层：从「雇陪练」到「建考场」

上表反复出现「环境化」，它背后是一次奖励来源的范式切换，值得停下来讲透——因为这一刀切下去，本篇提到的所有公司被分成两个阵营，估值逻辑完全不同。旧范式 RLHF（基于人类反馈的强化学习）：模型的奖励由人给出——标注员把模型的两个答案摆在面前，点选更好的那个，模型学会迎合人类偏好。新范式 RLVR（可验证奖励的强化学习）：在代码、数学、agent 任务这些「对错可被程序判定」的领域，奖励改由验证器给出——单元测试通过记 1，不通过记 0，模型靠海量试错自己涨分，不再需要人对每一轮输出表态。

用一个任务看两种生意的差别：训练模型修代码 bug。RLHF 模式下，你雇几百名工程师当「陪练」，模型对同一个 bug 生成两个修复方案，陪练点选更好的一个；每条偏好对的市场价在几美元，训一轮要消耗上百万条，就是数百万美元级的人力支出——而模型下次升级，旧标注全部作废，陪练要重新雇、重新标。RLVR 模式下，你为这个 bug 建「考场」：一个代码仓库 + 一套单元测试 + 一个能跑测试的沙箱，验证器就是「跑测试，通过为 1，失败为 0」；建设成本是一次性的（几名高级工程师干几周），之后模型可以在这个考场里无限次演练，每一次的边际成本只剩算力电费。陪练的账单随训练轮次线性增长且不可积累；考场的账单只付一次，却可以被几百万次 rollout 摊薄——这就是「服务外包」与「基础设施」的分界线，也是估值从净收入数倍切换到收入数十倍的全部秘密。

用这把刀把本篇的公司重新分一遍类——同一层「验证器经济」里，其实住着两个时代：

最后是仓位纪律。给这个板块定价要过三道口径关：其一，估值全是私募谈判价——Scale 的 290 亿是股权隐含、Mercor 的 200 亿还在谈，没有公开市场定过价，流动性折价未知。其二，收入多数是 gross GMV——新闻标题里的「20 亿 ARR」除以三才是平台真收入，拿 gross 直接乘倍数会系统性高估。其三，中国市场不同构——G 端与合规驱动，付费方、增长斜率、终局形态都和美国四层结构不能硬套。基于这三道关，给出六个按季度可核对的验证开关：

四层公司总表

数据截至 2026 年 10 月，估值多为私募谈判价或隐含价，收入多为公司口径或第三方估计（标注见附录 B）。本表是研究底稿，不构成任何投资建议。