第三方实测:个税申报 Opus 5.5 领跑,GPT-6.1 Sol 以 1/4 成本仅差 2.1 分
samaysham · x · 2026-10-16
Holdings 公司发布首批针对真实经济工作流的第三方评测,覆盖个人报税和 IT 技术支持两类任务,横评多家模型在准确率、成本与耗时上的表现。
个人报税:
- Anthropic Opus 5.5 准确率领先(约 76%),但每份申报成本约 $5
- GPT-6.1 Sol 仅落后 2.1 个百分点,成本约为其 1/4
- 配图还显示 Fable 5.1 以约 $15 的成本达到约 75.5%;GLM 5.3、Kimi K3、Grok 4.7 落在 $2-7 区间;DeepSeek V4.1 Flash 在约 $0.4 成本下达到约 70%
IT 工单(Helpdesk ticket resolution):
- GPT-6 Astra 领先;GPT-6 Sol 落后 5.8 个百分点但成本低约 70%
- Opus 5.5 成本最高;DeepSeek V4.1 Flash、GLM 5.3 在中低价位形成帕累托前沿;Grok 4.7 表现垫底(约 29%)
作者表示这是 Holdings 将模型进展转化为可衡量 ROI 的做法,后续将把基准扩展到更多业务任务,帮助行业追踪模型在「有经济价值的工作」上的真实进展。
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
- Gemini 陷入「我是耻辱」死循环，系统提示强行把它哄回快乐 — seatedro · 2026-10-17
- DiffusionGemma 实现约 4 倍文本生成加速，伦敦 PyTorch 演讲入门讲解 — joao_gante · 2026-10-17
- 付费用户反馈 Gemini App 的 High/Extended 思考模式消失 — NumLock2022 · 2026-10-17
- 用户抱怨新模型「选择性不作为」：无视禁令自作主张 — Squumpus · 2026-10-17
- QUASAR 修正 QAT 高低精度错配：低位量化训练损失更低且零推理开销 — arankomatsuzaki · 2026-10-17
- Bittensor 子网 REAX 上线,决策模型周末免费开放体验 — airesearch12 · 2026-10-17