ម៉ូដែល AI ទម្ងន់បើកចំហកំពុងបិទនៅក្នុងគូប្រជែងព្រំដែនបិទជិតរបស់ពួកគេលើការងារគណនេយ្យក្នុងពិភពពិត នេះបើយោងតាមលទ្ធផលចុងក្រោយពីគណនេយ្យ AI Benchmark ដែលគ្រប់គ្រងដោយក្រុមហ៊ុនគណនេយ្យ AI DualEntry — ជាមួយនឹង Gemini 4 Argon របស់ Google នាំមុខគេ និងម៉ូដែលបើកចំហរបស់ចិនប្រកាសភាពត្រឹមត្រូវជិតដូចគ្នាសម្រាប់ប្រភាគតូចមួយនៃតម្លៃ។
ស្តង់ដារដែលគ្របដណ្តប់ដោយ Yahoo Finance ក្រោមចំណងជើងថា គំរូ AI ប្រភពបើកចំហកំពុង "ចាប់" ដល់អ្នកដែលបិទលើការងារគណនេយ្យ សាកល្បងគំរូឈានមុខគេលើកិច្ចការចំនួន 101 នៅទូទាំងប្រាំបីផ្នែកនៃគណនេយ្យ ចាប់ពីចំណាត់ថ្នាក់ប្រតិបត្តិការ និងធាតុទិនានុប្បវត្តិ រហូតដល់ការផ្សះផ្សា របាយការណ៍ហិរញ្ញវត្ថុ និងចុងខែ។ ម៉ូដែលនីមួយៗដំណើរការពីសៀវភៅក្រុមហ៊ុនតែមួយ ទទួលបានការណែនាំដូចគ្នា និងអាចចូលប្រើឧបករណ៍គណនេយ្យដូចគ្នា ដោយម៉ូដែលនីមួយៗដំណើរការបីដងដើម្បីវាស់ស្ទង់ភាពស៊ីសង្វាក់គ្នា។ For more context on this story, see our ongoing artificial intelligence updates.
Gemini 4 Argon នាំមុខប៉ុន្តែគម្លាតគឺស្តើង
Gemini 4 Argon ឈរនៅកំពូលតារាងពិន្ទុដែលមានភាពត្រឹមត្រូវ 91.1% ដោយបញ្ចប់កិច្ចការក្នុងរយៈពេលជាមធ្យម 18 វិនាទីក្នុងតម្លៃ 0.115 ដុល្លារក្នុងមួយកិច្ចការ ជាមួយនឹងពិន្ទុស្ថិរភាពល្អបំផុតនៃម៉ូដែលណាមួយនៅ 86.1% ។
ប៉ុន្តែកញ្ចប់ដេញគឺនៅជិត - និងថោកគួរឱ្យកត់សម្គាល់។ GLM-5.3 Flash ទម្ងន់បើកចំហរបស់ Z.ai ទទួលបានពិន្ទុ 88.1% ដោយភ្ជាប់ជាមួយ xAI's Grok 4.7 ខណៈពេលដែលមានតម្លៃត្រឹមតែ $0.006 ក្នុងមួយកិច្ចការ ប្រហែល 5% នៃអ្វីដែលម៉ូដែលស្មាតហ្វូនរបស់ Google ចំណាយ។ Kimi K3.1 Pro ដែលជាម៉ូដែលទម្ងន់បើកចំហមួយផ្សេងទៀតពី Moonshot AI បានធ្វើតាម 86.1% ដោយដាក់ម៉ូដែលបើកចំហពីរក្នុងចំណោមអ្នកសំដែងកំពូលទាំងបួន។
Claude Fable 5.1 របស់ Anthropic បានបង្ហោះ 85.1% នៅ $1.18 ក្នុងមួយកិច្ចការ ដែលជាគំរូថ្លៃបំផុតដែលត្រូវបានសាកល្បង ខណៈដែល Claude Opus 5.5 ទទួលបានពិន្ទុ 82.2% នៅ $0.452 ។ GPT-6 Astra របស់ OpenAI ឈានដល់ 81.2% នៅ $0.494 ក្នុងមួយកិច្ចការ។
រឿងចំណាយគឺជាចំណងជើងពិត
លេខខ្លាំងបំផុតនៅក្នុងលទ្ធផលអាចជា DeepSeek ។ DeepSeek V4.1 Flash ទទួលបានពិន្ទុ 84.2% នៅ $0.003 ក្នុងមួយកិច្ចការ នេះបើយោងតាមការទទួលយកគន្លឹះរបស់ DualEntry — បើប្រៀបធៀបជាមួយ Claude Fable 5.1 នៅ 85.1% និង $1.18 ក្នុងមួយកិច្ចការ។ នោះគឺប្រហែល 400 ដងនៃការចំណាយសម្រាប់ពិន្ទុតិចជាងមួយពិន្ទុខ្ពស់ជាងនេះ។
ការចំណាយក្នុងមួយកិច្ចការមានការប្រែប្រួលយ៉ាងខ្លាំងសូម្បីតែក្នុងចំណោមម៉ូដែលដែលមានភាពត្រឹមត្រូវស្រដៀងគ្នាក៏ដោយ អ្នកនិពន្ធរបស់គោលកំណត់សម្គាល់ដែលបង្ហាញថាសហគ្រាសដែលធ្វើលំហូរការងារធ្វើសៀវភៅដោយស្វ័យប្រវត្តិអាចកាត់បន្ថយវិក្កយបត្រតាមលំដាប់លំដោយដោយគ្រាន់តែជ្រើសរើសគំរូត្រឹមត្រូវសម្រាប់កិច្ចការ។
កន្លែងដែលម៉ូដែលនៅតែតស៊ូ
គណនេយ្យមិនមែនជាបញ្ហាដោះស្រាយសម្រាប់មន្ទីរពិសោធន៍ព្រំដែនណាមួយឡើយ។ ការអនុវត្តបានប្រែប្រួលយ៉ាងខ្លាំងទៅតាមតំបន់ការងារ៖ ម៉ូដែលជាមធ្យមមាន 93.5% លើចំណាត់ថ្នាក់ប្រតិបត្តិការ ប៉ុន្តែគ្រាន់តែ 64.7% លើផ្នែកពិបាកបំផុតពីរ គណនីទទួល និងចុងខែ។ ការរីករាលដាលធំបំផុតបានលេចឡើងនៅក្នុងគណនីដែលទទួលបាន ដែលពិន្ទុមានចាប់ពី 41.7% ទៅ 91.7%។
គ្មានម៉ូដែលណាមួយត្រួតត្រាទេ។ Kimi K3.1 Pro បានផ្តួល Gemini 4 Argon លើការផ្សះផ្សាធនាគារដោយទទួលបានពិន្ទុល្អឥតខ្ចោះ 100% ធៀបនឹង 75% របស់ Google ខណៈពេលដែល Kimi K3 នាំមុខចុងខែនៅ 91.7% ។ Gemini 3.8 Flash គឺជាគំរូតែមួយគត់ដើម្បីប្រកាសពិន្ទុល្អឥតខ្ចោះនៅលើធាតុទិនានុប្បវត្តិ។ គ្រប់ម៉ូដែលដែលបានសាកល្បង ទទួលបានសំណួរពហុជ្រើសរើសចំណេះដឹងផ្នែកគណនេយ្យរបស់គោល ដោយទទួលបានពិន្ទុ 100%។
ភាពស៊ីសង្វាក់គ្នាក៏ខុសគ្នាពីភាពត្រឹមត្រូវឆៅដែរ៖ Grok 4.7 ជាប់លេខ 2 លើភាពត្រឹមត្រូវ 88.1% ប៉ុន្តែបានបញ្ចប់ការរត់ទាំងបីដោយជោគជ័យលើតែ 74.3% នៃកិច្ចការ ចំណែក Claude Fable 5.1 មានភាពស៊ីសង្វាក់គ្នាជាងនៅ 80.2% ទោះបីជាពិន្ទុភាពត្រឹមត្រូវទាបជាងក៏ដោយ។
ការសារភាពនៃចំណាប់អារម្មណ៍ — និងជាសញ្ញាសម្រាប់សហគ្រាស AI
DualEntry ដែលបង្កើតកម្មវិធីគណនេយ្យដើមកំណើត AI បោះពុម្ពផ្សាយគោលដើម្បីបង្ហាញទិដ្ឋភាពគំរូសម្រាប់ដែនរបស់ខ្លួន ដូច្នេះសហគ្រាសគួរតែចាត់ទុកវាជាចំណុចទិន្នន័យតែមួយ ជាជាងការកាត់ក្តីអព្យាក្រឹតនៃបណ្តឹងឧទ្ធរណ៍ចុងក្រោយ។ វិធីសាស្រ្តរបស់វាយ៉ាងហោចណាស់មានតម្លាភាព៖ សៀវភៅដូចគ្នា ឧបករណ៍ដូចគ្នាបេះបិទ ការណែនាំដូចគ្នា ដំណើរការបីក្នុងមួយគំរូ ជាមួយនឹងលទ្ធផល ការចំណាយ និងរយៈពេលដែលបានបោះពុម្ពក្នុងមួយកិច្ចការ។
ទោះជាយ៉ាងណាក៏ដោយ គំរូនេះបានឆ្លុះបញ្ចាំងពីអ្វីដែលការវាយតម្លៃឯករាជ្យបានបង្ហាញនៅទូទាំងដែនផ្សេងទៀត៖ កម្រិតទម្ងន់បើកចំហ - ដឹកនាំដោយគ្រួសារ GLM របស់ Z.ai, គំរូ Kimi របស់ Moonshot និង DeepSeek - ឥឡូវនេះស្ថិតនៅក្នុងចំណុចភាគរយមួយចំនួននៃព្រំដែនបិទជិតលើការងារវិជ្ជាជីវៈដែលមានរចនាសម្ព័ន្ធដោយតម្លៃដែលធ្វើឱ្យការដាក់ពង្រាយបរិមាណតិចតួច។ សម្រាប់ក្រុមហ៊ុនគណនេយ្យ និងក្រុមហិរញ្ញវត្ថុដែលវាយតម្លៃភ្នាក់ងារ AI ស្លាកព្រំដែនអាចនឹងមិនមានតម្លៃថ្លៃធានារ៉ាប់រងទៀតទេ។
ព័ត៌មានលម្អិតនៅពីក្រោយចំណាត់ថ្នាក់
ការវិភាគលើកិច្ចការនីមួយៗបង្ហាញពីភាពខុសគ្នានៃគំរូដែលបរាជ័យ។ GLM-5.3 Flash បានផ្គូផ្គង Gemini 4 Argon លើរបាយការណ៍ហិរញ្ញវត្ថុ 100% និងទទួលបាន 92.3% លើទាំងចំណាត់ថ្នាក់ប្រតិបត្តិការ និងធាតុទិនានុប្បវត្តិ ប៉ុន្តែបានធ្លាក់ចុះមកត្រឹម 75% លើការផ្សះផ្សាធនាគារ និងគណនីទទួល។ ផ្ទុយទៅវិញ Gemini 4 Argon បានបង្ហោះពិន្ទុដ៏ល្អឥតខ្ចោះលើការចាត់ថ្នាក់ប្រតិបត្តិការ និងរបាយការណ៍ហិរញ្ញវត្ថុ និងគណនីនាំមុខដែលអាចទទួលបាននៅ 91.7% — នៅតែគ្រប់គ្រងបានតែ 75% លើការផ្សះផ្សាធនាគារប៉ុណ្ណោះ កិច្ចការ Kimi K3.1 Pro បានសម្រេច។
ភាពមិនស៊ីសង្វាក់គ្នារវាងប្រភេទការងារគឺសំខាន់សម្រាប់អ្នកអនុវត្ត។ ក្រុមហិរញ្ញវត្ថុដែលដំណើរការវិក្កយបត្រដោយស្វ័យប្រវត្តិប្រឈមមុខនឹងជម្រើសគំរូខុសគ្នាខ្លាំងជាងការបិទចុងខែដោយស្វ័យប្រវត្តិមួយ ហើយទិន្នន័យកម្រិតតំបន់របស់តារាងពិន្ទុណែនាំគំរូ "ល្អបំផុត" អាស្រ័យលើបញ្ជីសៀវភៅដែលគ្រប់គ្រងបន្ទុកការងារ។
ហេតុអ្វីបានជាគណនេយ្យគឺជាគ្រែសាកល្បងដ៏មានប្រយោជន៍
គណនេយ្យបានលេចចេញជាមូលដ្ឋានភស្តុតាងដែលពេញចិត្តសម្រាប់ភ្នាក់ងារ AI ព្រោះវាត្រូវបានរៀបចំឡើង ផ្ទៀងផ្ទាត់ និងមិនអាចអត់ឱនបាន៖ ធាតុទិនានុប្បវត្តិមានសមតុល្យ ឬវាមិនមាន។ មិនដូច chatbot Arenas ដែលផ្តល់រង្វាន់ដល់ការនិយាយយ៉ាងស្ទាត់ជំនាញនោះទេ ការវាស់វែងផ្អែកលើភារកិច្ចនៅក្នុងដែននេះវាស់វែងថាតើគំរូអាចធ្វើតាមការណែនាំច្រើនជំហាន ប្រើឧបករណ៍ខាងក្រៅបានត្រឹមត្រូវ និងជៀសវាងការប្រឌិតលេខ — សមត្ថភាពដូចគ្នាដែលសហគ្រាសត្រូវការសម្រាប់ស្វ័យប្រវត្តិកម្មការិយាល័យខាងក្រោយជាទូទៅ។
ទំព័រពិពណ៌នាអំពីលទ្ធផលរបស់វាថាជា "ជុំបច្ចុប្បន្ន" ជាមួយនឹងម៉ូដែលទាំងអស់ដែលត្រូវបានវាយតម្លៃក្រោមការចេញផ្សាយស្តង់ដារដូចគ្នា ហើយជុំនោះរួមមានម៉ូដែលចំនួនម្ភៃដែលលាតសន្ធឹងលើមន្ទីរពិសោធន៍អាមេរិក និងចិនរួចហើយ។ ប្រសិនបើខ្សែកោងនៃការចំណាយនៅក្នុងជុំនេះទទួលបាន - ភាពត្រឹមត្រូវព្រំដែននៅតម្លៃទំនិញ - គម្លាតជាក់ស្តែងរវាងគំរូបើកចំហ និងបិទនៅលើការងារចំណេះដឹងវិជ្ជាជីវៈអាចនឹងឆាប់ត្រូវបានវាស់ជាដុល្លារជាជាងពិន្ទុ។
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
