Model AI berwajaran terbuka semakin menghampiri saingan sempadan tertutup mereka dalam kerja perakaunan dunia sebenar, menurut keputusan terkini daripada Penanda Aras AI Perakaunan yang dikendalikan oleh syarikat perakaunan AI DualEntry — dengan Gemini 4 Argon Google mendahului keseluruhan dan model terbuka Cina menyiarkan ketepatan yang hampir sama untuk sebahagian kecil daripada harga.
Penanda aras, yang diliputi oleh Yahoo Finance di bawah tajuk utama bahawa model AI sumber terbuka "mengikuti" model tertutup dalam kerja perakaunan, menguji model terkemuka pada 101 tugas merentasi lapan bidang perakaunan, daripada klasifikasi transaksi dan catatan jurnal kepada penyesuaian, pelaporan kewangan dan penutupan akhir bulan. Setiap model berfungsi daripada buku syarikat yang sama, menerima arahan yang sama dan mempunyai akses kepada alatan perakaunan yang sama, dengan setiap model dijalankan tiga kali untuk mengukur konsistensi. For more context on this story, see our ongoing more AI stories.
Gemini 4 Argon Mendahului, tetapi Jurangnya Nipis
Gemini 4 Argon mendahului papan pendahulu pada ketepatan 91.1%, menyelesaikan tugasan dalam purata 18 saat dengan kos $0.115 setiap tugas, dengan skor konsistensi terbaik daripada mana-mana model pada 86.1%.
Tetapi pek mengejar adalah dekat - dan sangat murah. GLM-5.3 Flash berwajaran terbuka Z.ai mendapat markah 88.1%, terikat dengan XAI's Grok 4.7, manakala kos hanya $0.006 setiap tugas, kira-kira 5% daripada perbelanjaan model perdana Google. Kimi K3.1 Pro, satu lagi model berat terbuka daripada Moonshot AI, mengikuti pada 86.1%, meletakkan dua model terbuka di kalangan empat pemain terbaik.
Claude Fable 5.1 Anthropic mencatatkan 85.1% pada $1.18 setiap tugas — model paling mahal diuji — manakala Claude Opus 5.5 mencatatkan 82.2% pada $0.452. GPT-6 Astra OpenAI mencapai 81.2% pada $0.494 setiap tugas.
Kisah Kos Adalah Tajuk Berita Sebenar
Nombor paling jelas dalam keputusan mungkin DeepSeek. DeepSeek V4.1 Flash menjaringkan 84.2% pada $0.003 setiap tugas, menurut pengambilan utama DualEntry — berbanding dengan Claude Fable 5.1 pada 85.1% dan $1.18 setiap tugas. Itu kira-kira 400 kali ganda kos untuk skor kurang daripada satu mata lebih tinggi.
Kos setiap tugas sangat berbeza-beza walaupun dalam kalangan model dengan ketepatan yang sama, kata pengarang penanda aras itu, mencadangkan bahawa perusahaan yang mengautomasikan aliran kerja simpan kira boleh mengurangkan bil inferens mengikut susunan magnitud hanya dengan memilih model yang sesuai untuk tugas itu.
Di mana Model Masih Bergelut
Perakaunan bukanlah masalah yang diselesaikan untuk mana-mana makmal sempadan. Prestasi berubah secara mendadak mengikut bidang tugas: model purata 93.5% pada klasifikasi transaksi tetapi hanya 64.7% pada dua kawasan paling sukar, akaun belum terima dan penutupan akhir bulan. Spread terluas muncul dalam akaun belum terima, di mana markah adalah antara 41.7% hingga 91.7%.
Tiada model tunggal yang didominasi. Kimi K3.1 Pro menewaskan Gemini 4 Argon pada penyesuaian bank, menjaringkan 100% sempurna berbanding Google 75%, manakala Kimi K3 mendahului penutupan akhir bulan pada 91.7%. Gemini 3.8 Flash ialah satu-satunya model yang mencatatkan skor sempurna pada entri jurnal. Setiap model yang diuji menjawab soalan aneka pilihan perakaunan-pengetahuan penanda aras, mendapat markah 100%.
Konsistensi juga menyimpang daripada ketepatan mentah: Grok 4.7 terikat di tempat kedua pada ketepatan pada 88.1% tetapi berjaya menyelesaikan ketiga-tiga larian pada hanya 74.3% tugasan, manakala Claude Fable 5.1 lebih konsisten pada 80.2% walaupun skor ketepatan yang lebih rendah.
Pengakuan Minat — dan Isyarat untuk AI Perusahaan
DualEntry, yang membina perisian perakaunan asli AI, menerbitkan penanda aras untuk mempamerkan landskap model untuk domainnya sendiri, jadi perusahaan harus menganggapnya sebagai satu titik data dan bukannya mahkamah rayuan akhir neutral. Metodologinya sekurang-kurangnya telus: buku yang sama, alatan yang sama, arahan yang sama, tiga larian setiap model, dengan hasil, kos dan tempoh yang diterbitkan setiap tugas.
Namun begitu, corak itu menggemakan penilaian bebas yang telah ditunjukkan di seluruh domain lain: peringkat berat terbuka — diketuai oleh keluarga GLM Z.ai, model Kimi Moonshot dan DeepSeek — kini berada dalam beberapa mata peratusan sempadan tertutup pada kerja profesional berstruktur, dengan kos yang menjadikan penggunaan volum menjadi remeh. Untuk firma perakaunan dan pasukan kewangan yang menilai ejen AI, label sempadan mungkin tidak lagi bernilai premium.
Butiran Di Sebalik Kedudukan
Pecahan setiap tugas menunjukkan betapa berbezanya model gagal. GLM-5.3 Flash memadankan Gemini 4 Argon pada pelaporan kewangan pada 100% dan menjaringkan 92.3% pada kedua-dua klasifikasi transaksi dan catatan jurnal, tetapi jatuh kepada 75% pada penyesuaian bank dan akaun belum terima. Sebaliknya, Gemini 4 Argon mencatatkan skor sempurna pada klasifikasi transaksi dan pelaporan kewangan dan mendahului akaun belum terima pada 91.7% — namun hanya berjaya 75% pada penyesuaian bank, tugas Kimi K3.1 Pro berjaya.
Ketidakkonsistenan merentasi jenis tugas penting bagi pengamal. Pasukan kewangan yang mengautomasikan pemprosesan invois menghadapi pilihan model yang sangat berbeza daripada satu penutupan akhir bulan mengautomasikan, dan data peringkat kawasan penanda aras mencadangkan model "terbaik" bergantung pada entri lejar yang mendominasi beban kerja.
Mengapa Perakaunan Adalah Katil Ujian Berguna
Perakaunan telah muncul sebagai asas pembuktian yang digemari untuk AI agen kerana ia berstruktur, boleh disahkan dan tidak memaafkan: catatan jurnal sama ada mengimbangi atau tidak. Tidak seperti arena chatbot yang memberi ganjaran kepada prosa yang fasih, penanda aras berasaskan tugasan dalam domain ini mengukur sama ada model boleh mengikut arahan berbilang langkah, menggunakan alat luaran dengan betul dan mengelakkan nombor rekaan — keupayaan yang sama yang diperlukan oleh perusahaan untuk automasi pejabat belakang secara amnya.
Halaman itu menerangkan keputusannya sebagai "pusingan semasa", dengan semua model dinilai di bawah keluaran penanda aras yang sama, dan pusingan itu sudah termasuk dua puluh model yang merangkumi makmal AS dan China. Jika keluk kos dalam pusingan ini kekal — ketepatan sempadan pada harga komoditi — jurang praktikal antara model terbuka dan tertutup pada kerja pengetahuan profesional mungkin tidak lama lagi diukur dalam dolar dan bukannya mata.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
