Theo kết quả mới nhất từ ​​Điểm chuẩn AI Kế toán do công ty kế toán AI DualEntry điều hành - với Gemini 4 Argon của Google dẫn đầu về tổng thể và các mô hình mở của Trung Quốc đăng tải độ chính xác gần như giống hệt với một phần nhỏ của giá.

Điểm chuẩn, được Yahoo Finance đưa ra với tiêu đề rằng các mô hình AI nguồn mở đang "bắt kịp" các mô hình khép kín trong công việc kế toán, kiểm tra các mô hình hàng đầu về 101 nhiệm vụ trong tám lĩnh vực kế toán, từ phân loại giao dịch và ghi nhật ký đến đối chiếu, báo cáo tài chính và đóng sổ cuối tháng. Mọi mô hình đều hoạt động theo cùng một sổ sách của công ty, nhận được các hướng dẫn giống nhau và có quyền truy cập vào cùng các công cụ kế toán, mỗi mô hình chạy ba lần để đo lường tính nhất quán. For more context on this story, see our ongoing artificial intelligence updates.

Gemini 4 Argon dẫn đầu, nhưng khoảng cách rất mỏng

Gemini 4 Argon đứng đầu bảng xếp hạng với độ chính xác 91,1%, hoàn thành nhiệm vụ trong trung bình 18 giây với chi phí 0,115 USD cho mỗi nhiệm vụ, với điểm nhất quán tốt nhất so với bất kỳ mô hình nào là 86,1%.

Nhưng gói đuổi theo đã gần kề - và cực kỳ rẻ. Flash GLM-5.3 trọng lượng mở của Z.ai đạt 88,1%, ngang bằng với Grok 4.7 của xAI, trong khi chỉ tốn 0,006 USD cho mỗi tác vụ, khoảng 5% số tiền mà mô hình hàng đầu của Google chi tiêu. Kimi K3.1 Pro, một mẫu máy có trọng lượng mở khác của Moonshot AI, theo sau với tỷ lệ 86,1%, đưa hai mẫu máy mở vào danh sách bốn mẫu có hiệu suất cao nhất.

Claude Fable 5.1 của Anthropic đạt 85,1% ở mức 1,18 USD cho mỗi tác vụ - mô hình đắt nhất được thử nghiệm - trong khi Claude Opus 5.5 đạt 82,2% ở mức 0,452 USD. GPT-6 Astra của OpenAI đạt 81,2% ở mức 0,494 USD mỗi tác vụ.

Câu chuyện chi phí là tiêu đề thực sự

Con số rõ ràng nhất trong kết quả có thể là của DeepSeek. DeepSeek V4.1 Flash đạt 84,2% ở mức 0,003 USD cho mỗi tác vụ, theo các điểm chính của DualEntry - so với Claude Fable 5.1 ở mức 85,1% và 1,18 USD cho mỗi tác vụ. Đó là khoảng 400 lần chi phí cho một điểm cao hơn ít hơn một điểm.

Tác giả của điểm chuẩn lưu ý rằng chi phí cho mỗi nhiệm vụ rất khác nhau ngay cả giữa các mô hình có độ chính xác tương tự, cho thấy rằng các doanh nghiệp tự động hóa quy trình ghi sổ kế toán có thể cắt giảm hóa đơn suy luận theo một mức độ lớn chỉ bằng cách chọn mô hình phù hợp cho nhiệm vụ.

Nơi người mẫu vẫn đang chật vật

Kế toán không phải là vấn đề có thể giải quyết được đối với bất kỳ phòng thí nghiệm biên giới nào. Hiệu suất thay đổi mạnh mẽ theo lĩnh vực nhiệm vụ: các mô hình đạt trung bình 93,5% khi phân loại giao dịch nhưng chỉ đạt 64,7% trên hai lĩnh vực khó nhất là tài khoản phải thu và đóng cuối tháng. Mức chênh lệch lớn nhất xuất hiện ở các khoản phải thu, với điểm dao động từ 41,7% đến 91,7%.

Không có một mô hình nào thống trị. Kimi K3.1 Pro đã đánh bại Gemini 4 Argon về mặt đối chiếu ngân hàng, đạt điểm hoàn hảo 100% so với 75% của Google, trong khi Kimi K3 dẫn đầu khi đóng cửa cuối tháng ở mức 91,7%. Gemini 3.8 Flash là mẫu máy duy nhất đạt điểm tuyệt đối trong các bài viết tạp chí. Mọi mô hình được kiểm tra đều đạt điểm cao trong các câu hỏi trắc nghiệm kiến ​​thức kế toán của điểm chuẩn, đạt 100%.

Tính nhất quán cũng khác với độ chính xác thô: Grok 4,7 đứng thứ hai về độ chính xác ở mức 88,1% nhưng hoàn thành thành công cả ba lần chạy chỉ với 74,3% nhiệm vụ, trong khi Claude Fable 5.1 ổn định hơn ở mức 80,2% mặc dù điểm chính xác thấp hơn.

Lời thú nhận sự quan tâm — và tín hiệu cho AI doanh nghiệp

DualEntry, công ty xây dựng phần mềm kế toán dựa trên AI, xuất bản điểm chuẩn để giới thiệu bối cảnh mô hình cho miền riêng của mình, vì vậy các doanh nghiệp nên coi nó như một điểm dữ liệu thay vì tòa án trung lập để kháng cáo cuối cùng. Phương pháp của nó ít nhất là minh bạch: sách giống nhau, công cụ giống nhau, hướng dẫn giống nhau, ba lần chạy trên mỗi mô hình, với kết quả, chi phí và thời lượng được công bố cho mỗi nhiệm vụ.

Tuy nhiên, mô hình này lặp lại những gì các đánh giá độc lập đã thể hiện trên các lĩnh vực khác: cấp trọng lượng mở — dẫn đầu bởi dòng GLM của Z.ai, các mô hình Kimi của Moonshot và DeepSeek — hiện nằm trong khoảng vài điểm phần trăm của giới hạn khép kín đối với công việc chuyên môn có cấu trúc, với chi phí khiến việc triển khai khối lượng trở nên tầm thường. Đối với các công ty kế toán và nhóm tài chính đánh giá các đại lý AI, nhãn biên giới có thể không còn giá trị nữa.

Chi tiết đằng sau bảng xếp hạng

Phân tích theo từng nhiệm vụ cho thấy các mô hình thất bại khác nhau như thế nào. GLM-5.3 Flash phù hợp với Gemini 4 Argon về báo cáo tài chính ở mức 100% và đạt 92,3% trên cả phân loại giao dịch và nhật ký, nhưng giảm xuống 75% ở đối chiếu ngân hàng và các khoản phải thu. Ngược lại, Gemini 4 Argon đạt điểm tuyệt đối về phân loại giao dịch và báo cáo tài chính, đồng thời dẫn đến các khoản phải thu ở mức 91,7% - nhưng chỉ quản lý được 75% đối chiếu ngân hàng, nhiệm vụ mà Kimi K3.1 Pro đã hoàn thành.

Sự không nhất quán giữa các loại nhiệm vụ là vấn đề quan trọng đối với những người thực hành. Nhóm tài chính tự động xử lý hóa đơn phải đối mặt với sự lựa chọn mô hình rất khác so với mô hình tự động đóng cuối tháng và dữ liệu cấp khu vực của điểm chuẩn cho thấy mô hình "tốt nhất" phụ thuộc vào mục nhập sổ cái nào chiếm ưu thế trong khối lượng công việc.

Tại sao Kế toán là một thử nghiệm hữu ích

Kế toán đã nổi lên như một nền tảng chứng minh được ưa chuộng cho AI tác nhân vì nó có cấu trúc, có thể kiểm chứng và không thể tha thứ: một mục nhật ký có thể cân bằng hoặc không. Không giống như các đấu trường chatbot thưởng cho văn xuôi trôi chảy, điểm chuẩn dựa trên nhiệm vụ trong miền này đo lường xem liệu một mô hình có thể thực hiện theo hướng dẫn nhiều bước hay không, sử dụng chính xác các công cụ bên ngoài và tránh bịa đặt số liệu — những khả năng tương tự mà doanh nghiệp cần cho tự động hóa văn phòng nói chung.

Trang mô tả kết quả của nó là "vòng hiện tại", với tất cả các mô hình được đánh giá theo cùng một bản phát hành điểm chuẩn và vòng này đã bao gồm 20 mô hình trải rộng khắp các phòng thí nghiệm của Hoa Kỳ và Trung Quốc. Nếu đường cong chi phí trong vòng này giữ nguyên - độ chính xác biên theo giá hàng hóa - thì khoảng cách thực tế giữa các mô hình mở và đóng về công việc tri thức chuyên môn có thể sớm được đo bằng đô la thay vì điểm.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →