Модели искусственного интеллекта с открытым весом приближаются к своим закрытым конкурентам в реальной бухгалтерской работе, согласно последним результатам теста Accounting AI Benchmark, проводимого бухгалтерской компанией AI DualEntry. При этом Gemini 4 Argon от Google лидирует в целом, а китайские открытые модели демонстрируют почти идентичную точность за небольшую часть цены.

Тест, который Yahoo Finance освещает под заголовком «догоняющие» закрытые модели искусственного интеллекта в бухгалтерской работе, тестирует ведущие модели на 101 задаче в восьми областях бухгалтерского учета, от классификации транзакций и журнальных записей до сверки, финансовой отчетности и закрытия месяца. Каждая модель работает на основе одних и тех же книг компании, получает одни и те же инструкции и имеет доступ к одним и тем же инструментам бухгалтерского учета, при этом каждая модель запускается трижды для измерения согласованности. Подробнее об этой истории — в нашем новости об ИИ.

Gemini 4 Argon лидирует, но разрыв незначителен

Gemini 4 Argon возглавляет таблицу лидеров с точностью 91,1%, выполняя задачи в среднем за 18 секунд при стоимости 0,115 доллара США за задачу, а лучший показатель согласованности среди всех моделей составляет 86,1%.

Но набор для погони близок и удивительно дешев. Открытая версия GLM-5.3 Flash от Z.ai набрала 88,1%, сравнявшись с Grok 4.7 от xAI, при этом ее стоимость составляет всего 0,006 доллара за задачу, что составляет примерно 5% от стоимости флагманской модели Google. Kimi K3.1 Pro, еще одна модель открытого веса от Moonshot AI, заняла второе место с результатом 86,1%, поместив две открытые модели в четверку лучших.

Claude Fable 5.1 от Anthropic показал результат 85,1% при цене 1,18 доллара за задачу (самая дорогая протестированная модель), а Claude Opus 5.5 набрал 82,2% при цене 0,452 доллара. GPT-6 Astra от OpenAI достигла 81,2% при цене 0,494 доллара за задачу.

История затрат – настоящий заголовок

Самая яркая цифра в результатах, возможно, принадлежит DeepSeek. Согласно ключевым выводам DualEntry, DeepSeek V4.1 Flash набрал 84,2% при цене 0,003 доллара за задачу — по сравнению с Claude Fable 5.1 с 85,1% и 1,18 доллара за задачу. Это примерно в 400 раз дороже за оценку менее чем на один балл выше.

Стоимость одной задачи сильно различается даже среди моделей с одинаковой точностью, отмечают авторы теста, предполагая, что предприятия, автоматизирующие рабочие процессы бухгалтерского учета, могут сократить расходы на логические выводы на порядок, просто выбрав правильную модель для задачи.

Где модели все еще борются

Бухгалтерский учет не является решенной проблемой для любой пограничной лаборатории. Производительность резко различалась в зависимости от области задач: модели в среднем показали 93,5% по классификации транзакций, но только 64,7% по двум самым сложным областям: дебиторской задолженности и закрытию месяца. Самый большой разброс наблюдался в дебиторской задолженности, где баллы варьировались от 41,7% до 91,7%.

Ни одна модель не доминировала. Kimi K3.1 Pro превзошел Gemini 4 Argon по выверке банковских счетов, набрав идеальные 100% против 75% у Google, в то время как Kimi K3 лидировал на конец месяца с показателем 91,7%. Gemini 3.8 Flash была единственной моделью, получившей высшую оценку в записях журнала. Каждая протестированная модель справилась с ответами на вопросы с несколькими вариантами ответов на знание бухгалтерского учета, набрав 100%.

Стабильность также отличалась от общей точности: Grok 4.7 делил второе место по точности с показателем 88,1%, но успешно выполнил все три прогона только с 74,3% задач, в то время как Claude Fable 5.1 был более стабильным с 80,2%, несмотря на более низкий показатель точности.

Признание заинтересованности — и сигнал для корпоративного ИИ

DualEntry, которая создает программное обеспечение для бухгалтерского учета на основе искусственного интеллекта, публикует эталонный тест для демонстрации модельного ландшафта для своей собственной области, поэтому предприятиям следует рассматривать его как единую точку данных, а не как нейтральный суд последней инстанции. Его методология, по крайней мере, прозрачна: идентичные книги, идентичные инструменты, идентичные инструкции, три прогона для каждой модели, с опубликованными результатами, затратами и продолжительностью для каждой задачи.

Тем не менее, эта закономерность повторяет то, что показали независимые оценки в других областях: уровень открытого веса, возглавляемый семейством GLM Z.ai, моделями Кими Moonshot и DeepSeek, сейчас находится в пределах нескольких процентных пунктов от закрытой границы структурированной профессиональной работы, при затратах, которые делают массовое развертывание тривиальным. Для бухгалтерских фирм и финансовых команд, оценивающих агентов искусственного интеллекта, ярлык «передовой» больше не стоит переплаты.

Детали рейтинга

Разбивка по задачам показывает, насколько по-разному модели терпят неудачу. GLM-5.3 Flash соответствовал Gemini 4 Argon по финансовой отчетности на уровне 100% и набрал 92,3% как по классификации транзакций, так и по записям в журнале, но упал до 75% по банковским выверкам и дебиторской задолженности. Gemini 4 Argon, напротив, показал отличные результаты по классификации транзакций и финансовой отчетности и лидировал по дебиторской задолженности на уровне 91,7%, но при этом справился только с 75% по банковской выверке, с этой задачей Kimi K3.1 Pro справился.

Эта несогласованность между типами задач имеет значение для практиков. Финансовая команда, автоматизирующая обработку счетов, сталкивается с совершенно иным выбором модели, чем команда, автоматизирующая закрытие в конце месяца, и данные эталонного уровня на уровне региона показывают, что «лучшая» модель зависит от того, какие записи в бухгалтерской книге доминируют в рабочей нагрузке.

Почему бухгалтерский учет является полезным испытательным стендом

Бухгалтерский учет стал излюбленным испытательным полигоном для агентного ИИ, поскольку он структурирован, поддается проверке и неумолим: записи в журнале либо уравновешивают, либо нет. В отличие от арен чат-ботов, которые вознаграждают беглую речь, тесты на основе задач в этой области измеряют, может ли модель следовать многоэтапным инструкциям, правильно использовать внешние инструменты и избегать фальсификации цифр — те же возможности, которые предприятиям нужны для автоматизации бэк-офиса в целом.

На странице результаты описаны как «текущий раунд», в котором все модели оцениваются в рамках одной и той же версии тестов, и в раунд уже включены двадцать моделей, охватывающих лаборатории США и Китая. Если кривая затрат в этом раунде сохранится (пограничная точность цен на сырьевые товары), то практический разрыв между открытой и закрытой моделями профессиональной работы в области знаний вскоре может измеряться в долларах, а не в баллах.

---

Будьте в курсе ИИ

Последние новости, аналитика и прорывы в сфере ИИ — всё в одном месте.

Читать больше новостей об ИИ →