PHBench：基于Product Hunt发布信号预测初创企业A轮融资的基准
摘要
Product Hunt上结构化的发布信号包含对A轮融资结果具有统计显著性的预测信息。我们通过确定性域名匹配，将2019年至2025年间67,292条精选的Product Hunt帖子与Crunchbase融资记录关联，构建了PHBench数据集，识别出528次在发布后18个月内完成的经核实的A轮融资（正例率：0.78%）。我们表现最佳的模型是一个由验证集F0.5分数选出的三组件集成模型（ENS_avg, ENS_ISO, XGB），在私有留出测试集（103个正例）上达到了F0.5 = 0.097和AP = 0.037（95%置信区间：0.024-0.072；比随机提升4.7倍）。配对bootstrap检验证实其相对于逻辑回归基线具有统计上可信的优势（AP差值：+0.013，95%置信区间：[0.004, 0.039]，p < 0.001；F0.5差值：+0.056，95%置信区间：[0.006, 0.122]，p = 0.016）。验证集指标（F0.5 = 0.284, AP = 0.126）反映了在53个正例上的144次最佳选择偏差，仅用于基准可复现性报告。我们还在匿名数值设置中评估了三个零样本Gemini模型（Gemini 2.5 Flash, Gemini 3 Flash, 和 Gemini 3.1 Pro）。表现最佳的LLM达到了AP = 0.034（Gemini 3 Flash），低于逻辑回归基线的AP 0.044。值得注意的是，能力最强的Gemini变体（Gemini 3.1 Pro, AP = 0.023）表现最差——这是一个出乎意料的模式，值得跨提供商和提示策略进行进一步研究。机器学习和LLM模型都表现出相同的时间性能衰减，与2020-2021年的融资热潮及随后的收缩相对应，证实了数据集捕捉到了真实的市场结构而非噪声。PHBench提供了一个可复现的框架，包括公开的训练集、验证集和盲测集划分；61个工程化特征；一个五指标评估工具；以及位于https://phbench.com的公开排行榜。所有代码、基线模型和匿名化数据集划分均已公开。
引用
@article{arxiv.2605.02974,
title = {PHBench: A Benchmark for Predicting Startup Series A Funding from Product Hunt Launch Signals},
author = {Yagiz Ihlamur and Ben Griffin and Rick Chen},
journal= {arXiv preprint arXiv:2605.02974},
year = {2026}
}
备注
30 pages, 1 figure, 4 appendices. Website, leaderboard, and dataset: https://phbench.com