Thrive Holdings 用75家真实企业工作流实测13个模型表现
samaysham · x · 2026-10-16
Thrive Holdings 发布了一套基于真实业务工作的模型评测基准，数据来自其旗下 75+ 家企业的日常实际工作，而非传统考试式 benchmark。
首批上线两个基准：
- 个人报税（IndividualTaxBench）：从客户文档生成 1040 报税表。Claude Opus 5.5（high）以 76.3% 准确率领先，每次报税成本约 $5.09、耗时 6.1 分钟；Claude Fable 5.1 max 达 75.5% 但成本高达 $16.2；GPT-6.1 Sol（medium）74.2% 且仅需 $1.4、2.7 分钟，性价比突出。
- 客服工单处理（Helpdesk ticket resolution）：GPT-6 Astra（xhigh）以 61.5% 通过率居首，Claude Opus 5.5 max 为 59.6%。
评测同时衡量性能、执行时间与成本，共覆盖 13 个模型与多档推理强度，定位是帮企业把「选模型」当作运营决策来做：看清哪些工作模型能可靠接手、哪里仍需人工介入。
所属事件:Thrive Holdings 发布 75 家企业真实工作流模型评测基准(4 条相关)→
「模型」频道最新
- NVIDIA 发布 120B 视觉语言模型 Nemotron 3.5 Super VL，已上线 Kilo — anacondainc · 2026-10-17
- Artificial Analysis Optima 支持三步自建自定义模型基准 — ArtificialAnlys · 2026-10-16
- 斯坦福 CS336 讲义拆解 MoE 参数与计算的两本账 — stanfordnlp · 2026-10-16
- 408 次调用实测：TypeSafe 新晋模型 Jev 图像输入表现报告 — SeveralSeat2176 · 2026-10-16
- Chandra 2.5 用新训练法将文字混淆减少 7 倍，低于 Gemini 与 Claude — VikParuchuri · 2026-10-16
- Datalab 实测：Gemini Flash 3.8 与 Claude Opus 5.5 同样输出错文字系统 — VikParuchuri · 2026-10-16