Τα μοντέλα τεχνητής νοημοσύνης ανοιχτού βάρους πλησιάζουν τους ανταγωνιστές τους σε κλειστά σύνορα σε πραγματικές λογιστικές εργασίες, σύμφωνα με τα τελευταία αποτελέσματα από το Accounting AI Benchmark που διευθύνει η εταιρεία λογιστικής τεχνητής νοημοσύνης DualEntry — με το Gemini 4 Argon της Google κορυφαίο συνολικά και τα κινεζικά ανοιχτά μοντέλα να παρουσιάζουν σχεδόν ίδια ακρίβεια για ένα μικρό κλάσμα της τιμής.
Το σημείο αναφοράς, το οποίο καλύπτεται από το Yahoo Finance με τον τίτλο ότι τα μοντέλα τεχνητής νοημοσύνης ανοιχτού κώδικα «πιάνουν» τα κλειστά στη λογιστική εργασία, δοκιμάζει κορυφαία μοντέλα σε 101 εργασίες σε οκτώ τομείς της λογιστικής, από την ταξινόμηση συναλλαγών και τις εγγραφές ημερολογίου έως τη συμφωνία, την οικονομική αναφορά και το κλείσιμο στο τέλος του μήνα. Κάθε μοντέλο λειτουργεί από τα ίδια βιβλία εταιρείας, λαμβάνει τις ίδιες οδηγίες και έχει πρόσβαση στα ίδια λογιστικά εργαλεία, με κάθε μοντέλο να εκτελείται τρεις φορές για τη μέτρηση της συνέπειας. For more context on this story, see our ongoing breaking AI news.
Gemini 4 Argon οδηγεί, αλλά το χάσμα είναι λεπτό
Το Gemini 4 Argon βρίσκεται στην κορυφή του leaderboard με ακρίβεια 91,1%, ολοκληρώνοντας εργασίες κατά μέσο όρο σε 18 δευτερόλεπτα με κόστος 0,115 $ ανά εργασία, με την καλύτερη βαθμολογία συνέπειας από οποιοδήποτε μοντέλο στο 86,1%.
Αλλά το πακέτο καταδίωξης είναι κοντά — και εξαιρετικά φθηνό. Το ανοιχτού βάρους GLM-5.3 Flash της Z.ai σημείωσε 88,1%, ίσο με το Grok 4,7 του xAI, ενώ κοστίζει μόλις 0,006 $ ανά εργασία, περίπου το 5% των δαπανών του κορυφαίου μοντέλου της Google. Το Kimi K3.1 Pro, ένα άλλο μοντέλο ανοιχτού βάρους της Moonshot AI, ακολούθησε με 86,1%, βάζοντας δύο ανοιχτά μοντέλα μεταξύ των τεσσάρων κορυφαίων επιδόσεων.
Το Claude Fable 5.1 της Anthropic σημείωσε 85,1% στα 1,18 $ ανά εργασία - το πιο ακριβό μοντέλο που δοκιμάστηκε - ενώ το Claude Opus 5.5 σημείωσε 82,2% στα 0,452 $. Το GPT-6 Astra του OpenAI έφτασε το 81,2% στα 0,494 $ ανά εργασία.
Η ιστορία κόστους είναι ο πραγματικός τίτλος
Ο πιο έντονος αριθμός στα αποτελέσματα μπορεί να είναι του DeepSeek. Το DeepSeek V4.1 Flash σημείωσε βαθμολογία 84,2% στα 0,003 $ ανά εργασία, σύμφωνα με τα βασικά στοιχεία του DualEntry — σε σύγκριση με το Claude Fable 5.1 με 85,1% και 1,18 $ ανά εργασία. Αυτό είναι περίπου 400 φορές το κόστος για μια βαθμολογία λιγότερο από ένα βαθμό υψηλότερη.
Το κόστος ανά εργασία διέφερε πάρα πολύ ακόμη και μεταξύ μοντέλων με παρόμοια ακρίβεια, σημειώνουν οι συγγραφείς του σημείου αναφοράς, προτείνοντας ότι οι επιχειρήσεις που αυτοματοποιούν τις ροές εργασιών τήρησης βιβλίων θα μπορούσαν να μειώσουν τους λογαριασμούς συμπερασμάτων κατά μια τάξη μεγέθους απλώς επιλέγοντας το σωστό μοντέλο για την εργασία.
Εκεί που τα μοντέλα ακόμα αγωνίζονται
Η λογιστική δεν είναι ένα λυμένο πρόβλημα για κανένα συνοριακό εργαστήριο. Η απόδοση διέφερε απότομα ανάλογα με την περιοχή εργασιών: τα μοντέλα είχαν κατά μέσο όρο 93,5% στην ταξινόμηση συναλλαγών, αλλά μόλις 64,7% στους δύο πιο δύσκολους τομείς, τους εισπρακτέους λογαριασμούς και το κλείσιμο στο τέλος του μήνα. Το μεγαλύτερο spread εμφανίστηκε στους εισπρακτέους λογαριασμούς, όπου οι βαθμολογίες κυμαίνονταν από 41,7% έως 91,7%.
Κανένα μοντέλο δεν κυριάρχησε. Το Kimi K3.1 Pro κέρδισε το Gemini 4 Argon στην τραπεζική συμφωνία, σημειώνοντας τέλειο 100% έναντι του 75% της Google, ενώ το Kimi K3 προηγήθηκε κλεισίματος στο τέλος του μήνα με 91,7%. Το Gemini 3.8 Flash ήταν το μόνο μοντέλο που δημοσίευσε τέλεια βαθμολογία σε εγγραφές ημερολογίου. Κάθε μοντέλο που δοκιμάστηκε ανταποκρίθηκε στις ερωτήσεις πολλαπλής επιλογής λογιστικών γνώσεων του δείκτη αναφοράς, σημειώνοντας 100%.
Η συνέπεια διέφερε επίσης από την πρωτογενή ακρίβεια: ο Grok 4,7 ισοφάρισε στη δεύτερη θέση στην ακρίβεια με 88,1%, αλλά ολοκλήρωσε με επιτυχία και τις τρεις εκτελέσεις μόνο στο 74,3% των εργασιών, ενώ ο Claude Fable 5.1 ήταν πιο συνεπής στο 80,2% παρά τη χαμηλότερη βαθμολογία ακρίβειας.
Μια ομολογία ενδιαφέροντος — και ένα σήμα για το Enterprise AI
Η DualEntry, η οποία κατασκευάζει λογισμικό λογιστικής τεχνητής νοημοσύνης, δημοσιεύει το σημείο αναφοράς για να παρουσιάσει το τοπίο του μοντέλου για τον δικό της τομέα, επομένως οι επιχειρήσεις θα πρέπει να το αντιμετωπίζουν ως ένα σημείο δεδομένων και όχι ως ένα ουδέτερο δικαστήριο τελικής προσφυγής. Η μεθοδολογία του είναι τουλάχιστον διαφανής: πανομοιότυπα βιβλία, πανομοιότυπα εργαλεία, ίδιες οδηγίες, τρεις εκτελέσεις ανά μοντέλο, με αποτελέσματα, κόστος και διάρκειες που δημοσιεύονται ανά εργασία.
Ωστόσο, το μοτίβο απηχεί αυτό που έχουν δείξει ανεξάρτητες αξιολογήσεις σε άλλους τομείς: η βαθμίδα ανοιχτού βάρους - με επικεφαλής την οικογένεια GLM του Z.ai, τα μοντέλα Kimi της Moonshot και το DeepSeek - βρίσκεται τώρα σε λίγες ποσοστιαίες μονάδες από τα κλειστά σύνορα της δομημένης επαγγελματικής εργασίας, με κόστος που καθιστά ασήμαντη την ανάπτυξη όγκου. Για λογιστικές εταιρείες και χρηματοοικονομικές ομάδες που αξιολογούν πράκτορες τεχνητής νοημοσύνης, η ετικέτα συνόρων μπορεί να μην αξίζει πλέον το ασφάλιστρο.
Οι λεπτομέρειες πίσω από την κατάταξη
Η ανάλυση ανά εργασία δείχνει πόσο διαφορετικά αποτυγχάνουν τα μοντέλα. Το GLM-5.3 Flash ταίριαξε με το Gemini 4 Argon στις οικονομικές αναφορές στο 100% και σημείωσε 92,3% τόσο στην ταξινόμηση συναλλαγών όσο και στις εγγραφές ημερολογίου, αλλά μειώθηκε στο 75% όσον αφορά την τραπεζική συμφωνία και τους εισπρακτέους λογαριασμούς. Αντίθετα, το Gemini 4 Argon δημοσίευσε τέλειες βαθμολογίες στην ταξινόμηση των συναλλαγών και στις οικονομικές αναφορές και εισπρακτέους λογαριασμούς οδήγησε στο 91,7% — ωστόσο κατάφερε μόνο το 75% στην τραπεζική συμφωνία, την εργασία που έκανε η Kimi K3.1 Pro.
Αυτή η ασυνέπεια μεταξύ των τύπων εργασιών έχει σημασία για τους επαγγελματίες. Μια ομάδα χρηματοοικονομικών που αυτοματοποιεί την επεξεργασία τιμολογίων αντιμετωπίζει μια πολύ διαφορετική επιλογή μοντέλου από ένα αυτοματοποιημένο κλείσιμο στο τέλος του μήνα και τα δεδομένα σε επίπεδο περιοχής του δείκτη αναφοράς υποδηλώνουν ότι το "καλύτερο" μοντέλο εξαρτάται από το ποιες εγγραφές στο καθολικό κυριαρχούν στον φόρτο εργασίας.
Γιατί η λογιστική είναι ένα χρήσιμο κρεβάτι δοκιμής
Η λογιστική έχει αναδειχθεί ως ευνοϊκό έδαφος αποδείξεως για την τεχνητή νοημοσύνη επειδή είναι δομημένη, επαληθεύσιμη και δεν συγχωρεί: μια καταχώριση ημερολογίου είτε ισορροπεί είτε όχι. Σε αντίθεση με τις αρένες chatbot που επιβραβεύουν την άπταιστη πεζογραφία, οι δείκτες αναφοράς βάσει εργασιών σε αυτόν τον τομέα μετρούν εάν ένα μοντέλο μπορεί να ακολουθήσει οδηγίες πολλαπλών βημάτων, να χρησιμοποιήσει σωστά εξωτερικά εργαλεία και να αποφύγει την κατασκευή αριθμών - τις ίδιες δυνατότητες που χρειάζονται οι επιχειρήσεις για τον αυτοματισμό back-office γενικά.
Η σελίδα περιγράφει τα αποτελέσματά της ως "τρέχον γύρο", με όλα τα μοντέλα να αξιολογούνται με την ίδια έκδοση αναφοράς και ο γύρος περιλαμβάνει ήδη είκοσι μοντέλα που εκτείνονται σε εργαστήρια ΗΠΑ και Κίνας. Εάν η καμπύλη κόστους σε αυτόν τον γύρο ισχύει - ακρίβεια συνόρων στις τιμές των εμπορευμάτων - το πρακτικό χάσμα μεταξύ ανοιχτών και κλειστών μοντέλων σχετικά με την εργασία επαγγελματικής γνώσης μπορεί σύντομα να μετρηθεί σε δολάρια και όχι σε πόντους.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
