طبق آخرین نتایج حاصل از معیار هوش مصنوعی حسابداری که توسط شرکت حسابداری هوش مصنوعی DualEntry اجرا می‌شود، مدل‌های هوش مصنوعی وزن باز در حال نزدیک شدن به رقبای مرزی بسته خود در کار حسابداری در دنیای واقعی هستند - با مدل‌های Gemini 4 Argon گوگل که در مجموع پیشرو هستند و مدل‌های باز چینی دقت تقریباً یکسانی را برای کسری کمی از قیمت ارسال می‌کنند.

معیاری که توسط Yahoo Finance تحت این عنوان که مدل‌های AI منبع باز در کار حسابداری به مدل‌های بسته می‌رسند، پوشش داده می‌شود، مدل‌های پیشرو را در 101 وظیفه در هشت حوزه حسابداری، از طبقه‌بندی معاملات و ثبت‌های ژورنالی گرفته تا تطبیق، گزارش‌های مالی، و بسته شدن پایان ماه آزمایش می‌کند. هر مدل از کتاب‌های یک شرکت کار می‌کند، دستورالعمل‌های یکسانی را دریافت می‌کند و به ابزارهای حسابداری یکسانی دسترسی دارد و هر مدل سه بار برای اندازه‌گیری سازگاری اجرا می‌شود. For more context on this story, see our ongoing more AI stories.

Gemini 4 Argon پیشرو است، اما شکاف کم است

Gemini 4 Argon با دقت 91.1% در صدر جدول امتیازات قرار دارد و وظایف را به طور متوسط در 18 ثانیه با هزینه 0.115 دلار برای هر کار انجام می دهد و بهترین امتیاز سازگاری را در بین هر مدلی با 86.1% دارد.

اما بسته تعقیب و گریز نزدیک است - و به طور قابل توجهی ارزان است. فلش GLM-5.3 با وزن باز Z.ai امتیاز 88.1% را به دست آورد، در حالی که با Grok 4.7 xAI برابری می کند، در حالی که برای هر کار فقط 0.006 دلار هزینه دارد که تقریباً 5% از آنچه مدل پرچمدار گوگل خرج می کند. Kimi K3.1 Pro، یکی دیگر از مدل‌های وزن باز از هوش مصنوعی Moonshot، با 86.1% در رتبه بعدی قرار گرفت و دو مدل باز را در بین چهار عملکرد برتر قرار داد.

Claude Fable 5.1 آنتروپیک با 85.1 درصد با 1.18 دلار به ازای هر کار - گرانترین مدل آزمایش شده - در حالی که Claude Opus 5.5 امتیاز 82.2 درصد را با 0.452 دلار کسب کرد. GPT-6 Astra از OpenAI به 81.2% در 0.494 دلار برای هر کار رسید.

داستان هزینه سرفصل واقعی است

واضح ترین عدد در نتایج ممکن است DeepSeek باشد. بر اساس نکات کلیدی DualEntry، فلش DeepSeek V4.1 با 0.003 دلار به ازای هر کار، 84.2 درصد در مقایسه با Claude Fable 5.1 با 85.1 درصد و 1.18 دلار به ازای هر کار، به دست آورد. این تقریباً 400 برابر هزینه برای نمره کمتر از یک امتیاز بالاتر است.

نویسندگان معیار خاطرنشان می‌کنند که هزینه هر کار حتی در بین مدل‌هایی با دقت مشابه بسیار متفاوت است، و نشان می‌دهد که شرکت‌هایی که گردش‌های کاری حسابداری را خودکار می‌کنند، می‌توانند صورتحساب‌های استنتاجی را با یک مرتبه بزرگی صرفاً با انتخاب مدل مناسب برای کار کاهش دهند.

جایی که مدل ها هنوز در حال مبارزه هستند

حسابداری یک مشکل حل شده برای هیچ آزمایشگاه مرزی نیست. عملکرد به شدت بر اساس حوزه کاری متفاوت بود: مدل‌ها به طور متوسط ​​93.5 درصد در طبقه‌بندی تراکنش‌ها داشتند، اما فقط 64.7 درصد در دو حوزه سخت‌ترین، حساب‌های دریافتنی و بسته شدن پایان ماه. بیشترین اختلاف در حساب های دریافتنی ظاهر شد که در آن امتیازها از 41.7٪ تا 91.7٪ متغیر بود.

هیچ مدل واحدی تسلط نداشت. Kimi K3.1 Pro در تطبیق بانکی Gemini 4 Argon را شکست داد و در مقابل گوگل 75% امتیاز 100% عالی کسب کرد، در حالی که Kimi K3 با 91.7% در پایان ماه پیشتاز بود. Gemini 3.8 Flash تنها مدلی بود که امتیاز کاملی را در نوشته‌های مجله ارسال کرد. هر مدلی که مورد آزمایش قرار گرفت، به سؤالات چند گزینه ای دانش حسابداری معیار پاسخ داد و 100% امتیاز گرفت.

ثبات همچنین از دقت خام متفاوت بود: Grok 4.7 در صحت 88.1% در رتبه دوم قرار گرفت، اما هر سه اجرا را تنها در 74.3% از وظایف با موفقیت به پایان رساند، در حالی که Claude Fable 5.1 با وجود نمره دقت پایین تر در 80.2% سازگارتر بود.

یک اعتراف به علاقه - و یک سیگنال برای هوش مصنوعی سازمانی

DualEntry که نرم‌افزار حسابداری بومی هوش مصنوعی را می‌سازد، معیار را برای نشان دادن چشم‌انداز مدل برای دامنه خود منتشر می‌کند، بنابراین شرکت‌ها باید آن را به‌عنوان یک نقطه داده در نظر بگیرند تا دادگاه تجدیدنظر نهایی بی‌طرف. روش‌شناسی آن حداقل شفاف است: کتاب‌های یکسان، ابزارهای یکسان، دستورالعمل‌های یکسان، سه اجرا در هر مدل، با نتایج، هزینه‌ها و مدت زمان منتشر شده در هر کار.

با این حال، این الگو همان چیزی است که ارزیابی‌های مستقل در سایر حوزه‌ها نشان داده‌اند: سطح وزن باز - به رهبری خانواده GLM Z.ai، مدل‌های کیمی Moonshot و DeepSeek - اکنون در چند درصد از مرز بسته در کار حرفه‌ای ساختاریافته قرار دارد، با هزینه‌هایی که استقرار حجم را بی‌اهمیت می‌کند. برای شرکت‌های حسابداری و تیم‌های مالی که کارگزاران هوش مصنوعی را ارزیابی می‌کنند، برچسب مرزی ممکن است دیگر ارزش حق بیمه را نداشته باشد.

جزئیات پشت رتبه بندی

تفکیک به ازای هر وظیفه نشان می دهد که چگونه مدل ها به طور متفاوت شکست می خورند. GLM-5.3 Flash با Gemini 4 Argon در گزارشگری مالی 100% مطابقت داشت و امتیاز 92.3% در طبقه‌بندی تراکنش‌ها و ثبت‌های مجله کسب کرد، اما در مورد تطبیق بانکی و حساب‌های دریافتنی به 75% کاهش یافت. در مقابل، Gemini 4 Argon امتیازات عالی را در طبقه‌بندی تراکنش‌ها و گزارش‌های مالی ثبت کرد و حساب‌های دریافتنی را با 91.7 درصد پیش‌بینی کرد - با این حال تنها 75 درصد در تطبیق بانکی، وظیفه‌ای که Kimi K3.1 Pro انجام داد، به دست آورد.

این ناهماهنگی در انواع وظایف برای تمرین‌کنندگان مهم است. یک تیم مالی که پردازش صورت‌حساب را خودکار می‌کند، با انتخاب مدل بسیار متفاوتی نسبت به یک بسته خودکار پایان ماه مواجه است، و داده‌های سطح منطقه معیار نشان می‌دهد که «بهترین» مدل بستگی به این دارد که کدام ورودی‌های دفتر بر حجم کار غالب باشد.

چرا حسابداری یک بستر آزمایشی مفید است

حسابداری به عنوان یک زمینه اثبات مطلوب برای هوش مصنوعی ظاهر شده است زیرا ساختارمند، قابل تأیید و غیرقابل بخشش است: یک مدخل مجله یا متعادل است یا ندارد. برخلاف عرصه‌های ربات‌های گفتگو که به نثر روان پاداش می‌دهند، معیارهای مبتنی بر وظیفه در این حوزه اندازه‌گیری می‌کنند که آیا یک مدل می‌تواند دستورالعمل‌های چند مرحله‌ای را دنبال کند، از ابزارهای خارجی به درستی استفاده کند و از ساختن اعداد اجتناب کند - همان قابلیت‌هایی که شرکت‌ها معمولاً برای اتوماسیون پشتیبان نیاز دارند.

این صفحه نتایج خود را به‌عنوان یک «دور فعلی» توصیف می‌کند که همه مدل‌ها تحت همان نسخه معیار ارزیابی شده‌اند، و این دور در حال حاضر شامل بیست مدل از آزمایشگاه‌های ایالات متحده و چین است. اگر منحنی هزینه در این دور برقرار باشد - دقت مرزی در قیمت‌های کالا - شکاف عملی بین مدل‌های باز و بسته در کار دانش حرفه‌ای ممکن است به زودی به‌جای امتیاز با دلار اندازه‌گیری شود.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →