A Firecrawl vezeti a finanszírozási adatforrások független tesztjét
A Firecrawl érte el a legjobb eredményt az Openbenchmarks vállalati finanszírozási adatokat vizsgáló tesztjén. A szolgáltató különböző Spark modellekkel 100 százalékos frissességi és 92,3 százalékos történeti pontossági eredményt ért el.
- Az Openbenchmarks 17 szolgáltató finanszírozási adatait vizsgálta.
- A Firecrawl Spark 2 100 százalékos frissességi pontosságot ért el.
- A Firecrawl Spark 1 Mini 92,3 százalékos történeti pontosságot ért el.
- Az ügynökalapú rendszerek pontosabbak, de lassabbak és drágábbak lehetnek.
- A teszt szerint a legjobb szolgáltató a konkrét feladattól függ.
Két szempont szerint mérték a szolgáltatókat
Az Openbenchmarks 2026 augusztusában 17 szolgáltatót vizsgált ugyanazokon a vállalati domaineken. A teszt azt mérte, hogy a rendszerek helyesen azonosítják-e egy cég legutóbbi finanszírozási körének szakaszát, például a Seed, Series A vagy Series B fordulót.
A vizsgálat két külön táblára bontotta az eredményeket. A frissességi pontszám az elmúlt 30 napban bejelentett körökre vonatkozott, és azt jelezte, milyen gyorsan követi egy szolgáltató az új bejelentéseket. A dúsítási pontszám a 30 napnál régebbi köröket mérte, így a korábbi finanszírozási adatok lefedettségét mutatta.
A teszt készítői a vállalati híroldalakon, befektetői bejelentésekben és hatósági dokumentumokban ellenőrzött referenciaadatokhoz hasonlították a válaszokat. A benchmark nyilvános és reprodukálható, ezért az eredmények a forrás szerint ellenőrizhetők.
A Firecrawl mindkét rangsort vezette
A Firecrawl két külön konfigurációval érte el a legjobb eredményt. A Spark 2 modell 100 százalékos frissességi pontosságot produkált, míg a Spark 1 Mini a régebbi finanszírozási körök vizsgálatában 92,3 százalékot ért el. A vállalat ezért mindkét táblán az első helyre került, bár a két eredmény különböző modellekhez tartozik.
A frissességi rangsorban a Firecrawl után az Exa instant keresési módja 98,0 százalékkal, az Exa Agent API 97,0 százalékkal, a Firecrawl másik konfigurációja 96,0 százalékkal, a Parallel Task API pedig 95,0 százalékkal végzett. A Crunchbase exportja 95,1 százalékot ért el.
A történeti adatoknál a Parallel 90,0 százalékos, az Exa deep reasoning módja 88,6 százalékos, az Exa Agent API 88,7 százalékos, a Crunchbase pedig 85,8 százalékos eredményt ért el. A GTM-adatbázisok közül a Fiber szerepelt a legjobban, 84,9 százalékkal.
A pontosságért idővel és költséggel kell fizetni
A vizsgálat szerint a szolgáltatók három eltérő módon dolgoznak. A hosszabb ideig futó ügynökök kérésenként, élőben kutatják fel a vállalat adatait. A webes keresési API-k keresőindexből gyűjtik ki az információt, míg a GTM-adatszolgáltatók előre karbantartott adatbázisból adnak vissza rekordot.
Az ügynökök bizonyultak a legpontosabbnak, de jellemzően lassabbak és drágábbak. A Firecrawl Spark 2 konfigurációjának medián késleltetése 102 203 ezredmásodperc, becsült költsége pedig futásonként 1,98 dollár volt. A Spark 1 Mini 92 998 ezredmásodperc alatt válaszolt, becsült költsége 9,95 dollár volt.
A webes keresési megoldások jellemzően másodpercek alatt és alacsonyabb költséggel működtek. Az Exa instant medián késleltetése 1618 ezredmásodperc, becsült költsége 0,70 dollár volt. A GTM-adatbázisok több esetben néhány száz ezredmásodperc alatt válaszoltak, ezért olyan helyzetekben lehetnek előnyösek, amikor az alacsony késleltetés és a költség fontosabb a legfrissebb kör felismerésénél.
A választás a feladattól függ
A Firecrawl szerint a teszt azt mutatja, hogy nincs minden feladatra egyformán megfelelő finanszírozási adatforrás. Az ügynökök előnye az új bejelentések gyors követése és a történeti adatok pontossága, miközben nagyobb feldolgozási idővel és költséggel járnak. A keresési API-k gyorsabb és olcsóbb válaszokat adhatnak, a tárolt adatbázisok pedig kiszámítható késleltetést biztosítanak.
A forrás szerint az ilyen adatokat a piacra lépési és értékesítési csapatok megkeresések rangsorolására, a kockázatitőke-befektetők ügyletkeresésre, a bevételi műveletekkel foglalkozó csapatok pedig CRM-adatok frissítésére használják. A benchmark eredményei alapján a szolgáltató kiválasztásakor ezért külön kell mérlegelni a friss hírek követését, a korábbi körök lefedettségét, a válaszidőt és a költséget.
