โมเดล AI แบบเปิดน้ำหนักกำลังเข้าใกล้คู่แข่งที่ปิดพรมแดนในงานบัญชีในโลกแห่งความเป็นจริง ตามผลลัพธ์ล่าสุดจากเกณฑ์มาตรฐานการบัญชี AI ที่ดำเนินการโดยบริษัทบัญชี AI DualEntry โดยมี Gemini 4 Argon ของ Google เป็นผู้นำโดยรวมและโมเดลเปิดของจีนมีความแม่นยำใกล้เคียงกันในราคาเพียงเล็กน้อย
เกณฑ์มาตรฐานดังกล่าวครอบคลุมโดย Yahoo Finance ภายใต้หัวข้อที่ว่าโมเดล AI แบบโอเพ่นซอร์สกำลัง "ไล่ตาม" โมเดล AI แบบโอเพ่นซอร์ส "ไล่ตาม" โมเดลที่ปิดแล้วในงานบัญชี ทดสอบโมเดลชั้นนำในงาน 101 งานใน 8 ด้านของการบัญชี ตั้งแต่การจัดหมวดหมู่ธุรกรรมและรายการบันทึกประจำวัน ไปจนถึงการกระทบยอด การรายงานทางการเงิน และการปิดบัญชีสิ้นเดือน โมเดลทุกรุ่นทำงานจากสมุดบัญชีของบริษัทเดียวกัน ได้รับคำแนะนำแบบเดียวกัน และสามารถเข้าถึงเครื่องมือการบัญชีเดียวกัน โดยแต่ละโมเดลจะทำงานสามครั้งเพื่อวัดความสอดคล้องกัน For more context on this story, see our ongoing breaking AI news.
ราศีเมถุน 4 อาร์กอนเป็นผู้นำ แต่ช่องว่างนั้นบาง
Gemini 4 Argon อยู่ในอันดับต้นๆ ของกระดานผู้นำด้วยความแม่นยำ 91.1% โดยทำงานให้เสร็จภายในเวลาเฉลี่ย 18 วินาทีโดยมีค่าใช้จ่าย 0.115 ดอลลาร์สหรัฐฯ ต่องาน โดยมีคะแนนความสม่ำเสมอดีที่สุดในบรรดารุ่นใดๆ ที่ 86.1%
แต่ชุดไล่ล่าก็ใกล้เคียง — และราคาถูกอย่างน่าทึ่ง GLM-5.3 Flash แบบเปิดของ Z.ai ได้คะแนน 88.1% เทียบกับ Grok 4.7 ของ xAI โดยมีราคาเพียง 0.006 ดอลลาร์ต่องาน หรือประมาณ 5% ของค่าใช้จ่ายที่รุ่นเรือธงของ Google ใช้จ่าย Kimi K3.1 Pro ซึ่งเป็นรุ่น Open Weight อีกรุ่นจาก Moonshot AI ตามมาที่ 86.1% โดยวางรุ่นเปิด 2 รุ่นจากกลุ่มที่มีประสิทธิภาพสูงสุดสี่อันดับแรก
Claude Fable 5.1 ของ Anthropic ได้คะแนน 85.1% ที่ 1.18 ดอลลาร์ต่องาน ซึ่งเป็นรุ่นที่แพงที่สุดที่ทดสอบ ในขณะที่ Claude Opus 5.5 ได้คะแนน 82.2% ที่ 0.452 ดอลลาร์ GPT-6 Astra ของ OpenAI สูงถึง 81.2% ที่ 0.494 ดอลลาร์ต่องาน
เรื่องราวต้นทุนคือหัวข้อข่าวที่แท้จริง
จำนวนที่ชัดเจนที่สุดในผลลัพธ์อาจเป็นของ DeepSeek DeepSeek V4.1 Flash ได้คะแนน 84.2% ที่ 0.003 ดอลลาร์ต่องาน ตามข้อมูลสำคัญของ DualEntry เมื่อเทียบกับ Claude Fable 5.1 ที่ 85.1% และ 1.18 ดอลลาร์ต่องาน นั่นคือประมาณ 400 เท่าของค่าใช้จ่ายสำหรับคะแนนที่สูงกว่าไม่ถึงหนึ่งจุด
ผู้เขียนรายงานการวัดประสิทธิภาพระบุว่าต้นทุนต่องานมีความหลากหลายอย่างมาก แม้แต่โมเดลที่มีความแม่นยำใกล้เคียงกัน โดยแนะนำว่าองค์กรต่างๆ ที่ทำเวิร์กโฟลว์การทำบัญชีอัตโนมัติสามารถลดค่าใช้จ่ายในการอนุมานตามลำดับความสำคัญได้ง่ายๆ ด้วยการเลือกโมเดลที่เหมาะสมสำหรับงาน
ที่ที่นางแบบยังคงต่อสู้ดิ้นรน
การบัญชีไม่ใช่ปัญหาที่ได้รับการแก้ไขสำหรับห้องปฏิบัติการชายแดนใดๆ ประสิทธิภาพแตกต่างกันอย่างมากตามพื้นที่งาน: แบบจำลองมีค่าเฉลี่ย 93.5% ในการจัดประเภทธุรกรรม แต่เพียง 64.7% ในสองด้านที่ยากที่สุด ได้แก่ ลูกหนี้การค้า และการปิดบัญชีสิ้นเดือน สเปรดที่กว้างที่สุดปรากฏในบัญชีลูกหนี้ โดยคะแนนอยู่ระหว่าง 41.7% ถึง 91.7%
ไม่มีรุ่นใดครอบงำ Kimi K3.1 Pro เอาชนะ Gemini 4 Argon จากการกระทบยอดของธนาคาร โดยทำคะแนนได้สมบูรณ์แบบ 100% เทียบกับ 75% ของ Google ในขณะที่ Kimi K3 เป็นผู้นำในการปิดยอดสิ้นเดือนที่ 91.7% Gemini 3.8 Flash เป็นเพียงรุ่นเดียวที่ให้คะแนนสมบูรณ์แบบในรายการบันทึกประจำวัน แบบจำลองทุกรุ่นผ่านการทดสอบตามเกณฑ์มาตรฐานของคำถามแบบปรนัยความรู้ด้านการบัญชี โดยได้คะแนน 100%
ความสม่ำเสมอยังแยกออกจากความแม่นยำดิบ โดย Grok 4.7 เสมอกันเป็นอันดับสองในด้านความแม่นยำที่ 88.1% แต่การรันทั้งสามสำเร็จด้วยความสำเร็จเพียง 74.3% ของงาน ในขณะที่ Claude Fable 5.1 มีความสม่ำเสมอมากกว่าที่ 80.2% แม้จะมีคะแนนความแม่นยำต่ำกว่าก็ตาม
คำสารภาพว่ามีส่วนได้เสีย — และสัญญาณสำหรับ Enterprise AI
DualEntry ซึ่งสร้างซอฟต์แวร์การบัญชีแบบ AI เผยแพร่เกณฑ์มาตรฐานเพื่อแสดงภูมิทัศน์แบบจำลองสำหรับโดเมนของตนเอง ดังนั้นองค์กรต่างๆ ควรถือว่าจุดข้อมูลดังกล่าวเป็นจุดข้อมูลเดียว แทนที่จะเป็นศาลที่เป็นกลางในการอุทธรณ์ขั้นสุดท้าย ระเบียบวิธีอย่างน้อยก็โปร่งใส: หนังสือที่เหมือนกัน เครื่องมือที่เหมือนกัน คำแนะนำที่เหมือนกัน สามครั้งต่อแบบจำลอง พร้อมผลลัพธ์ ต้นทุน และระยะเวลาที่เผยแพร่ต่องาน
ถึงกระนั้น รูปแบบดังกล่าวก็สะท้อนสิ่งที่การประเมินอิสระแสดงให้เห็นในโดเมนอื่นๆ ได้แก่ ระดับ open-weight ซึ่งนำโดยตระกูล GLM ของ Z.ai, โมเดล Kimi ของ Moonshot และ DeepSeek ซึ่งขณะนี้อยู่ภายในไม่กี่เปอร์เซ็นต์ของขอบเขตปิดในการทำงานแบบมืออาชีพที่มีโครงสร้าง โดยมีต้นทุนที่ทำให้การปรับใช้ปริมาณมากเป็นเรื่องเล็กน้อย สำหรับบริษัทบัญชีและทีมการเงินที่ประเมินตัวแทน AI ป้ายกำกับชายแดนอาจไม่คุ้มกับเบี้ยประกันภัยอีกต่อไป
รายละเอียดเบื้องหลังการจัดอันดับ
การแบ่งย่อยต่องานแสดงให้เห็นว่าโมเดลล้มเหลวแตกต่างกันอย่างไร GLM-5.3 Flash จับคู่ Gemini 4 Argon ในการรายงานทางการเงินที่ 100% และได้คะแนน 92.3% ทั้งในการจำแนกประเภทธุรกรรมและรายการบันทึกประจำวัน แต่ลดลงเหลือ 75% จากการกระทบยอดธนาคารและบัญชีลูกหนี้ ในทางตรงกันข้าม Gemini 4 Argon มีคะแนนที่สมบูรณ์แบบในการจัดประเภทธุรกรรมและการรายงานทางการเงิน และนำบัญชีลูกหนี้ที่ 91.7% — แต่จัดการได้เพียง 75% จากการกระทบยอดธนาคาร ซึ่งเป็นภารกิจที่ Kimi K3.1 Pro ทำได้
ความไม่สอดคล้องกันระหว่างประเภทงานนั้นสำคัญสำหรับผู้ปฏิบัติงาน ทีมการเงินที่ทำการประมวลผลใบแจ้งหนี้โดยอัตโนมัติต้องเผชิญกับตัวเลือกรูปแบบที่แตกต่างจากการปิดสิ้นเดือนแบบอัตโนมัติ และข้อมูลระดับพื้นที่ของเกณฑ์มาตรฐานแนะนำว่าแบบจำลองที่ "ดีที่สุด" ขึ้นอยู่กับว่ารายการบัญชีแยกประเภทใดที่มีอิทธิพลเหนือปริมาณงาน
เหตุใดการบัญชีจึงเป็นเตียงทดสอบที่มีประโยชน์
การบัญชีกลายเป็นพื้นที่พิสูจน์ที่ได้รับความนิยมสำหรับ Agentic AI เนื่องจากมีโครงสร้างที่สามารถตรวจสอบได้ และไม่อาจให้อภัยได้: รายการบันทึกจะมีความสมดุลหรือไม่ก็ได้ ต่างจากเวทีแชทบอทที่ให้รางวัลร้อยแก้วที่คล่องแคล่ว การวัดประสิทธิภาพตามงานในโดเมนนี้จะวัดว่าแบบจำลองสามารถทำตามคำแนะนำแบบหลายขั้นตอน ใช้เครื่องมือภายนอกอย่างถูกต้อง และหลีกเลี่ยงการสร้างตัวเลข ซึ่งเป็นความสามารถแบบเดียวกันที่องค์กรต้องการสำหรับระบบอัตโนมัติหลังบ้านโดยทั่วไป
หน้านี้อธิบายผลลัพธ์เป็น "รอบปัจจุบัน" โดยทุกรุ่นได้รับการประเมินภายใต้การเปิดตัวเกณฑ์มาตรฐานเดียวกัน และรอบนี้มีโมเดลทั้งหมด 20 รุ่นแล้ว ซึ่งครอบคลุมห้องปฏิบัติการของสหรัฐอเมริกาและจีน หากเส้นต้นทุนในรอบนี้ยังคงมีความถูกต้องแม่นยำในระดับราคาสินค้าโภคภัณฑ์ ช่องว่างในทางปฏิบัติระหว่างแบบจำลองแบบเปิดและแบบปิดในงานความรู้ทางวิชาชีพอาจถูกวัดเป็นดอลลาร์แทนที่จะเป็นจุด
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
