Remote 发布 PayMark:GPT-6 Astra 在工资单基准上以 26.0% 居首
全球雇佣平台 Remote 发布 AI 工资单基准 PayMark:在 2000 份工资单上,GPT-6 Astra 以 26.0%「三项全对」略高于 Claude Opus 5.5 的 25.9%;高努力模式中位约 3 倍成本换约 +1.6 分。
工资单看起来是结构化文本,但对模型来说,净薪、雇主成本与员工合计必须同时正确才算过关——差一点就是合规事故与员工投诉。全球雇佣与薪酬平台 Remote 发布了面向该场景的基准 PayMark,把「能读 PDF」换成可复现的三项全对指标。
据官方账号 @remote(约 2026-10-29)介绍,评测覆盖 2000 份工资单;准确率定义为净薪、雇主合计、员工合计三项全部正确。结果口径下,GPT-6 Astra 以 26.0% 居首,略高于 Claude Opus 5.5 的 25.9%;前四名差距约在 2.5 个百分点内。帖文还称,高努力(high effort)模式相对低努力,中位成本约 3 倍,换来约 +1.6 分的提升。配图柱状图进一步列出 GPT-6.1 Sol、Claude Fable 5.1、Gemini 3.8 Flash、DeepSeek V4.1-Flash、Qwen3.8-Max 等模型的低/高努力得分,可见整体绝对准确率仍偏低,头部模型领先主要体现在相对排序。
对财务智能化团队,PayMark 便于选型与回归,但部署前应自备脱敏样本重跑,并核对税制、币种、加班与代扣等本地规则是否在基准覆盖内;原帖未公开题目集与评分脚本。高努力模式的成本曲线也提醒:盲目开满推理预算未必划算,应结合错误类型做分层路由。
Remote PayMark payroll AI benchmark
GPT-6 Astra is the top model for payroll according to PayMark, our new AI payroll benchmark.
It got 26.0% of 2,000 payslips fully right, ahead of Claude Opus 5.5 at 25.9%. For reference, the top four models are within 2.5 points of each other.
Accuracy means when net pay, employer total, and employee total are all correct.
High effort cost about 3x for a median +1.6 pts.