开放权重人工智能模型在会计基准方面几乎与前沿竞争对手相匹配

DualEntry 的会计基准发现 Gemini 4 Argon 的准确率领先，达到 91.1%，而开放式重量模型的成本仅为前沿竞争对手的一小部分。

根据人工智能会计公司 DualEntry 运行的会计人工智能基准的最新结果，在现实世界的会计工作中，开放权重人工智能模型正在接近其封闭前沿的竞争对手——谷歌的 Gemini 4 Argon 总体领先，而中国的开放模型以一小部分价格提供了几乎相同的准确性。

雅虎财经以“开源人工智能模型正在会计工作中“赶上”封闭式模型”为题报道了该基准测试，测试了涵盖八个会计领域的 101 项任务的领先模型，从交易分类和日记账分录到对账、财务报告和月末结账。每个模型都来自同一家公司的账本，接收相同的指令，并可以使用相同的会计工具，每个模型运行三次以衡量一致性。更多相关背景，请参阅我们的AI最新动态。

Gemini 4 Argon 领先，但差距很小

Gemini 4 Argon 以 91.1% 的准确率位居排行榜首位，平均在 18 秒内完成任务，每项任务的成本为 0.115 美元，一致性得分为所有模型中最好，为 86.1%。

但追逐包很接近——而且非常便宜。 Z.ai 的开放权重 GLM-5.3 Flash 得分为 88.1%，与 xAI 的 Grok 4.7 持平，而每个任务的成本仅为 0.006 美元，大约是 Google 旗舰型号花费的 5%。 Moonshot AI 的另一款开放式重量模型 Kimi K3.1 Pro 紧随其后，得分为 86.1%，其中两款开放式模型跻身表现前四名。

Anthropic 的 Claude Fable 5.1 的得分为 85.1%，每项任务 1.18 美元，这是测试中最昂贵的模型，而 Claude Opus 5.5 的得分为 82.2%，每项任务 0.452 美元。 OpenAI 的 GPT-6 Astra 达到 81.2%，每项任务 0.494 美元。

成本故事才是真正的头条新闻

结果中最明显的数字可能是 DeepSeek 的。根据 DualEntry 的关键要点，DeepSeek V4.1 Flash 得分为 84.2%，每项任务 0.003 美元，而 Claude Fable 5.1 得分为 85.1%，每项任务 1.18 美元。这大约是分数高出不到 1 分的成本的 400 倍。

该基准测试的作者指出，即使在具有相似精度的模型之间，每项任务的成本也存在巨大差异，这表明自动化簿记工作流程的企业只需为任务选择正确的模型，就可以将推理费用减少一个数量级。

模型仍面临困境的地方

对于任何前沿实验室来说，会计都不是一个已解决的问题。不同任务领域的表现差异很大：模型在交易分类上的平均准确率为 93.5%，但在两个最难的领域（应收账款和月末结账）上仅为 64.7%。差距最大的是应收账款，分数范围为 41.7% 至 91.7%。

没有单一模型占主导地位。 Kimi K3.1 Pro 在银行对账方面击败了 Gemini 4 Argon，得分为完美的 100%，而 Google 的得分为 75%，而 Kimi K3 则以 91.7% 的月末收盘率领先。 Gemini 3.8 Flash 是唯一在日记条目上获得满分的型号。每个测试模型都在基准会计知识多项选择题中取得了优异成绩，得分为 100%。

一致性也与原始准确度有所不同：Grok 4.7 的准确度为 88.1%，并列第二，但仅在 74.3% 的任务上成功完成了所有三轮运行，而 Claude Fable 5.1 尽管准确度分数较低，但一致性更高，为 80.2%。

兴趣的坦白——以及企业人工智能的信号

构建人工智能原生会计软件的 DualEntry 发布基准来展示其自身领域的模型景观，因此企业应将其视为一个数据点，而不是一个中立的终审法院。它的方法至少是透明的：相同的书籍、相同的工具、相同的说明、每个模型运行三次，并公布每个任务的结果、成本和持续时间。

尽管如此，这种模式与其他领域的独立评估结果相呼应：开放权重层——由 Z.ai 的 GLM 系列、Moonshot 的 Kimi 模型和 DeepSeek 领导——现在距离结构化专业工作的封闭边界只有几个百分点，但其成本使得批量部署变得微不足道。对于评估人工智能代理的会计师事务所和财务团队来说，前沿标签可能不再值得溢价。

排名背后的细节

每个任务的细分显示了模型失败的不同程度。 GLM-5.3 Flash 在财务报告方面与 Gemini 4 Argon 的匹配率为 100%，在交易分类和日记账分录方面得分为 92.3%，但在银行对账和应收账款方面下降至 75%。相比之下，Gemini 4 Argon 在交易分类和财务报告方面取得了满分，应收账款率为 91.7%，但在银行对账方面仅完成了 75%，而 Kimi K3.1 Pro 在这项任务上表现出色。

任务类型之间的不一致对于从业者来说很重要。自动化发票处理的财务团队面临着与自动化月末结算截然不同的模型选择，基准的区域级数据表明“最佳”模型取决于哪些分类帐条目在工作量中占主导地位。