真實會計場景評測基準發佈

人工智慧模型能否勝任專業會計師的工作，一直是業界關注的焦點。近日，由 Mercor 與 Ramp 聯手打造的「APEX-Accounting」基準測試正式對外發布，這項評測基準旨在模擬真實會計場景，全面檢驗前沿語言模型在處理帳務時的實際能力。研究團隊將其成果以論文形式發表於 arXiv 預印本平台，並公開了開發集的資料。APEX-Accounting 不同於傳統的問答或文本理解測試，它設計了一套高度擬真的會計工作環境。整個評測基準由 160 項任務組成，這些任務被劃分為 10 個獨立的「世界」，每個世界都包含完整的會計系統、試算表、PDF 檔案以及其他常見的辦公文件。

研討會計與簿記專家親自撰寫每一項任務，並提供標準解答與詳細的評分標準，確保評估過程具備專業性與一致性。任務類型涵蓋會計師日常工作的核心環節，包括帳戶調節、費用預提、交易過帳以及財務報告的編製。研究團隊希望透過這些任務，測試模型是否能夠理解複雜的財務文件、正確執行多步驟的會計處理，並產出符合規範的結果。這項基準的推出，被視為 AI 在專業領域應用的一次重要壓力測試。在模型的評比結果方面，研究人員選用了 9 個目前最先進的語言模型進行測試。其中，Anthropic 旗下的 Claude-Fable-5（Max 版本）以 56.

4% 的「Mean Criteria@3」得分拔得頭籌，略勝過 Google 的 Muse-Spark-1.1（xHigh 版本）的 52.6%。這項指標衡量的是模型在前三次嘗試中，能達到任務關鍵要求的平均比例。然而，當評估標準轉向更嚴格的「完全正確率」時，所有模型的表現立即大幅下滑。在「Pass^8」指標上，表現最好的 GPT-5.6-Sol（Max+Pro 版本）也僅獲得 2.6% 的分數。而在「Pass@8」指標（允許模型嘗試八次，只要有一次完全正確即算通過）中，最高分仍只有 Muse-Spark-1.1（xHigh 版本的 21.5%）。

這顯示即使是目前最頂尖的 AI 模型，在需要一步不差、完全精準的會計作業中，與人類專家仍有極大差距。研究團隊還進行了一項有趣的實驗，探討 token 預算對模型表現的影響。他們將每次任務的 token 花費上限從 1 美元逐步提高到 50 美元，結果觀察到一個典型的辛普森悖論現象：在整體統計上，隨著 token 預算增加，模型的平均分數確實有所提升；但若將數據細分到同一預算限制下的每個任務，卻發現模型在花費較多 token 的任務上，得分反而更低。這意味著模型在遭遇困難任務時，雖然會消耗更多算力資源，卻未必能換來更好的結果，反映出目前模型在處理複雜會計邏輯時仍存在瓶頸。

APEX-Accounting 目前屬於封閉基準測試，研究團隊表示，任何前沿模型若要參與排行榜評估，都可以提出申請。這項機制確保了評比結果的可控性與一致性，也讓外界得以在統一的標準下比較不同模型的會計能力。這項基準的發布，為 AI 在專業領域的應用提供了一個具體且嚴謹的衡量尺規。會計工作不僅要求對文字的語義理解，更需要嚴格的邏輯推理、多步驟操作以及對法規與準則的遵循。從測試結果來看，雖然模型在部分任務上展現出一定潛力，但在需要最終結果完全正確的場景中，目前的技術仍難以取代人類會計師的專業判斷與細心。

業界分析認為，APEX-Accounting 的出現，將加速 AI 模型在財務與會計領域的迭代優化。未來，若能進一步提升模型在「完全正確率」上的表現，AI 將有機會成為會計師的得力助手，處理大量重複性高、規則明確的作業，讓人類專注於更需要策略思維與專業判斷的工作。然而，從現有數據來看，距離那一天仍有相當長的路要走。