Miundo ya AI ya uzani wa wazi inakaribia wapinzani wao waliofungwa kwenye kazi ya uhasibu ya ulimwengu halisi, kulingana na matokeo ya hivi punde kutoka Benchmark ya AI ya Uhasibu inayoendeshwa na kampuni ya uhasibu ya AI ya DualEntry - huku Gemini 4 Argon ya Google ikiongoza kwa jumla na miundo ya wazi ya Kichina inayochapisha usahihi unaokaribia kufanana kwa sehemu ndogo ya bei.
Kigezo, kilichofunikwa na Yahoo Finance chini ya kichwa cha habari kwamba miundo ya chanzo huria ya AI "inapata" wale waliofungwa kwenye kazi ya uhasibu, majaribio ya mifano inayoongoza kwenye kazi 101 katika maeneo nane ya uhasibu, kutoka kwa uainishaji wa miamala na maingizo ya jarida hadi upatanisho, kuripoti kifedha, na kufungwa kwa mwisho wa mwezi. Kila muundo hufanya kazi kutoka kwa vitabu sawa vya kampuni, hupokea maagizo sawa, na inaweza kufikia zana sawa za uhasibu, na kila muundo huendeshwa mara tatu ili kupima uthabiti. For more context on this story, see our ongoing AI trends.
Gemini 4 Argon Inaongoza, Lakini Pengo Ni Nyembamba
Gemini 4 Argon huongoza ubao wa wanaoongoza kwa usahihi wa 91.1%, na kukamilisha kazi kwa wastani wa sekunde 18 kwa gharama ya $0.115 kwa kila kazi, na alama ya uthabiti bora zaidi ya muundo wowote ni 86.1%.
Lakini kifurushi cha kufukuza kiko karibu - na cha bei nafuu sana. Uzito wa wazi wa Z.ai wa GLM-5.3 Flash ulipata 88.1%, ikilinganishwa na Grok 4.7 ya xAI, huku ikigharimu $0.006 tu kwa kila kazi, takriban 5% ya kile ambacho muundo bora wa Google hutumia. Kimi K3.1 Pro, mwanamitindo mwingine wa uzani wa wazi kutoka Moonshot AI, alifuatwa kwa 86.1%, akiweka mifano miwili wazi kati ya wasanii wanne bora.
Claude Fable 5.1 ya Anthropic ilichapisha 85.1% kwa $1.18 kwa kila kazi - mtindo wa gharama kubwa zaidi uliojaribiwa - wakati Claude Opus 5.5 alipata 82.2% kwa $0.452. OpenAI ya GPT-6 Astra ilifikia 81.2% kwa $0.494 kwa kila kazi.
Hadithi ya Gharama Ndio Kichwa Halisi
Nambari kuu katika matokeo inaweza kuwa ya DeepSeek. DeepSeek V4.1 Flash ilipata 84.2% kwa $0.003 kwa kila kazi, kulingana na mambo muhimu ya kuchukua ya DualEntry - ikilinganishwa na Claude Fable 5.1 kwa 85.1% na $1.18 kwa kila kazi. Hiyo ni takriban mara 400 ya gharama ya alama chini ya pointi moja ya juu.
Gharama kwa kila kazi ilitofautiana sana hata miongoni mwa miundo iliyo na usahihi sawa, waandishi wa benchmark wanabainisha, wakipendekeza kwamba makampuni ya biashara yanayoendesha utiririshaji wa uwekaji hesabu kiotomatiki yanaweza kupunguza bili za uelekezaji kwa mpangilio wa ukubwa kwa kuchagua tu muundo unaofaa kwa kazi hiyo.
Ambapo Wanamitindo Bado Wanatatizika
Uhasibu sio shida iliyotatuliwa kwa maabara yoyote ya mipaka. Utendaji ulitofautiana sana kulingana na eneo la kazi: mifano ilikuwa wastani wa 93.5% kwenye uainishaji wa shughuli lakini 64.7% tu kwenye maeneo mawili magumu zaidi, akaunti zinazoweza kupokewa na kufungwa kwa mwisho wa mwezi. Uenezi mkubwa zaidi ulionekana katika akaunti zinazoweza kupokewa, ambapo alama zilianzia 41.7% hadi 91.7%.
Hakuna mtindo mmoja uliotawaliwa. Kimi K3.1 Pro iliishinda Gemini 4 Argon katika usuluhishi wa benki, akifunga 100% kamili dhidi ya 75% ya Google, huku Kimi K3 akiongoza mwisho wa mwezi kwa 91.7%. Gemini 3.8 Flash ilikuwa mtindo pekee wa kuchapisha alama bora kwenye maingizo ya jarida. Kila muundo uliojaribiwa ulijibu maswali ya chaguo-nyingi ya uhasibu-maarifa, na kupata 100%.
Uthabiti pia ulitofautiana kutoka kwa usahihi mbichi: Grok 4.7 ilifungwa kwa nafasi ya pili kwa usahihi kwa 88.1% lakini ilikamilisha mikimbio yote matatu kwa ufanisi kwa 74.3% tu ya majukumu, huku Claude Fable 5.1 ilikuwa thabiti zaidi kwa 80.2% licha ya alama ya chini ya usahihi.
Kukiri Kuvutiwa — na Ishara kwa Enterprise AI
DualEntry, ambayo huunda programu ya uhasibu ya AI-asili, huchapisha kigezo ili kuonyesha mandhari ya kielelezo cha kikoa chake, kwa hivyo biashara zinapaswa kuichukulia kama sehemu moja ya data badala ya mahakama isiyoegemea upande wowote ya rufaa ya mwisho. Mbinu yake ni angalau wazi: vitabu vinavyofanana, zana zinazofanana, maagizo yanayofanana, kukimbia tatu kwa kila modeli, na matokeo, gharama, na muda zilizochapishwa kwa kila kazi.
Bado, muundo huo unaangazia kile ambacho tathmini huru zimeonyesha katika vikoa vingine: kiwango cha uzani wazi - kinachoongozwa na familia ya Z.ai's GLM, miundo ya Kimi ya Moonshot, na DeepSeek - sasa iko ndani ya asilimia chache ya mipaka iliyofungwa kwenye kazi iliyopangwa ya kitaaluma, kwa gharama zinazofanya uwekaji wa kiasi kuwa mdogo. Kwa makampuni ya uhasibu na timu za fedha zinazotathmini mawakala wa AI, lebo ya mipaka inaweza kuwa haifai tena malipo hayo.
Maelezo Nyuma ya Daraja
Uchanganuzi wa kila kazi unaonyesha jinsi mifano inavyoshindwa kwa njia tofauti. GLM-5.3 Flash ililingana na Gemini 4 Argon kuhusu ripoti ya fedha kwa 100% na ilipata 92.3% kwenye uainishaji wa miamala na maingizo ya jarida, lakini ilishuka hadi 75% kwenye upatanisho wa benki na akaunti zinazoweza kupokewa. Gemini 4 Argon, kwa kulinganisha, ilichapisha alama kamili juu ya uainishaji wa miamala na ripoti za kifedha na akaunti zinazoongoza zinazoweza kupokelewa kwa 91.7% - lakini ilisimamia 75% tu kwenye upatanisho wa benki, jukumu lililofanywa na Kimi K3.1 Pro.
Utofauti huo katika aina za kazi ni muhimu kwa watendaji. Timu ya fedha inayochakata ankara kiotomatiki inakabiliwa na chaguo tofauti zaidi ya kielelezo cha kufunga mwishoni mwa mwezi kiotomatiki, na data ya kiwango cha eneo ya benchmark inapendekeza muundo "bora" unategemea ni maingizo ya leja yapi yanatawala mzigo wa kazi.
Kwa Nini Uhasibu Ni Kitanda Cha Mtihani Muhimu
Uhasibu umeibuka kama msingi unaopendelewa wa kuthibitisha AI ya mawakala kwa sababu ina muundo, inaweza kuthibitishwa, na haisamehe: ingizo la jarida linasawazisha au halifanyi hivyo. Tofauti na medani za gumzo zinazotuza nathari fasaha, alama za msingi za kazi katika kikoa hiki hupima ikiwa modeli inaweza kufuata maagizo ya hatua nyingi, kutumia zana za nje kwa njia ipasavyo, na kuepuka kuunda nambari - uwezo sawa na huo ambao biashara huhitaji kwa utendakazi wa ofisi ya nyuma kwa ujumla.
Ukurasa unaelezea matokeo yake kama "raundi ya sasa," na miundo yote iliyotathminiwa chini ya toleo sawa la kiwango, na raundi hiyo tayari inajumuisha miundo ishirini inayotumia maabara za Marekani na China. Ikiwa mzunguko wa gharama katika mzunguko huu unashikilia - usahihi wa mipaka kwa bei za bidhaa - pengo la kivitendo kati ya miundo iliyo wazi na iliyofungwa kwenye kazi ya maarifa ya kitaaluma inaweza kupimwa hivi karibuni kwa dola badala ya pointi.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
