Rippling总裁兼首席产品官Matt MacInnis近日公布了一项罕见的AI模型实测结果：在真实生产环境中，对15款AI模型进行约2,100次评分测试，覆盖实际人事、薪资和财务数据。这项测试并非行业常见的排行榜或虚构任务，而是让模型在真实业务场景中完成具体操作，包括按部门统计人数、计算任职年限分布、执行批量调薪、完成新员工入职流程、安排解聘并流转审批、从电子表格录入付款金额等。
测试标准极为严格：每次尝试要么通过Rippling生产系统的正确性检查，要么失败，未完成即视为失败。这一评分标准比大多数公开基准测试更为严苛。研究围绕三个核心指标展开：通过率（模型正确完成任务的频率，无部分得分）、成本（完整运行全套测试的美元费用）以及最慢10％用时（反映体验最差情况下的任务耗时，而非平均值）。
测试结果显示，15款模型实际上可归结为三个选择。Anthropic的Opus 4.6以91.0％的通过率位居榜首，成本1,453美元，最慢10％用时154秒。紧随其后的OpenAI GPT-5.5 med获得89.5％通过率，成本1,435美元——两者成本仅差18美元，准确率差距1.5个百分点，在测试误差范围内。MacInnis估计Rippling为适配Opus 4.6花费的五个月调优可贡献1至2个百分点的提升，因此两者实际旗鼓相当，真正区分它们的是速度，Opus 4.6更快。
GPT-5.5 low版本以88.8％通过率、1,308美元成本和130秒最慢用时成为速度优先的选择，比Opus 4.6便宜且更快，但准确率低2.2个百分点。值得注意的是，OpenAI同一模型的两个不同配置分别排在Opus 4.6两侧，说明模型设置比品牌更重要。智谱GLM 5.2以88.7％通过率、621美元成本和243秒最慢用时成为成本最优选项，准确率与GPT-5.5 low相差不到0.1个百分点，价格却只有一半，速度则慢得多。所有夜间任务、数据回填和数据增强运行都适合使用这类模型，而昂贵模型不在其列。
研究还揭示了一些性价比极低的组合：Fable 5以3.3倍价格和两倍等待时间才达到GPT-5.5 low的准确率；Opus 5在价格和速度上均被Grok 4.5击败，后者得分仅低0.2个百分点，成本却低68％。MacInnis为B2B创始人总结了七条启示，其中最核心的一点是：质量在顶部趋于平坦，价格却没有。七款模型通过率集中在88.5％至89.5％之间，仅一个百分点的差距，而成本差异却高达数倍。
这一测试为B2B企业选择AI模型提供了难得的真实数据参考。在模型能力普遍接近的当下，成本与响应速度正成为关键决策变量，企业应根据具体业务场景对准确率、预算和延迟的优先级做出选择，而非盲目追求最贵或最新的模型。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
