会计被认为是 LLM 落地最难的垂直领域之一：数字要精确到分，借贷方向不能反，而且同一个问题问三遍得给同一个答案。纽约的 AI-native ERP 公司 DualEntry 刚刚交出了第一份完整答卷——他们把 18 个前沿模型放进同一套会计环境里各跑三轮，用的是同一个测试公司账本、同一套工具和同一份指令，评分不靠 AI 评委，全部对着预先写好的参考答案做确定性校验，80% 及格、三次里过两次才算通过。
首轮榜单：头部挤成一团
结果头部非常挤。Google 的 Gemini 4 Argon 以 91.1% 准确率排第一；并列第二是智谱的 GLM-5.3 Flash 和 SpaceXAI 的 Grok 4.7，同为 88.1%，只差榜首 3 个百分点。Anthropic 目前最好的 Claude Fable 5.1 拿了 85.1%，OpenAI 最好的 GPT-6 Astra / GPT-6.1 Sol 是 81.2%。再往后，DeepSeek V4.1 Flash 与 Kimi K3 同为 84.2%，Meta 的 Muse Wonder 83.2%，共有十二个模型挤在 80.2%–85.1% 的五分区间里。
值得单独划重点的是：并列第二的 GLM-5.3 Flash 是开放权重模型。开源阵营在通用榜单上追闭源追了两年，在"记账"这种具体活儿上已经能跟 Grok 4.7 打平，离 Argon 只差 3 个点。
真正拉开差距的是一致性
DualEntry 单独报告了"一致性"——同一个任务三次运行全部通过的比例。这一项把准确率相同的模型拉开了：Grok 4.7 准确率并列第二，一致性只有 74.3%；Claude Fable 5.1 准确率排第四，一致性却有 80.2%。Argon 是唯一两项都第一的模型（86.1%）。DualEntry 联合创始人 Benedict Dohmen 的原话是："一个分录这次做对、下次做错的模型，还上不了账本。Argon 是我们测过最准也是最稳的，而财务团队两样都要。"
对做财务自动化的团队，这个指标的分量可能超过准确率本身——账是不能掷骰子的。
成本能差 400 倍
榜单另一个刺眼的维度是价格。DeepSeek V4.1 Flash 84.2% 的准确率，单任务成本 0.3 美分；Claude Fable 5.1 只高它不到 1 个点，单任务 1.18 美元，约 400 倍。GLM-5.3 Flash 更极端：88.1% 的并列第二，单任务只要 0.6 美分，约为 Argon（11.5 美分）的十九分之一。
当然，便宜有代价：GLM-5.3 Flash 平均一道题要 57 秒、输出 4.9k token；Argon 只要 18 秒、0.7k token。快模型用"少想直接答"换速度，在延迟敏感的交互场景里是真实差异。
集体软肋：应收账款和月末结账
八个测试领域里，模型在交易分类上平均 94.4%，会计知识多选题全体满分，但在应收账款和月末结账上平均只有 64.4%，应收账款单项分数从 41.7% 一路散到 91.7%。单项冠军各有归属：银行对账是 Muse Wonder（91.7%），月末结账是 Kimi K3（91.7%），而 Argon 在银行对账上只有 75.0%。难度分层上，Argon、Grok 4.7、Gemini 3.8 Flash 在 hard 案例上并列最好（82.1%）；Claude Opus 5.5 和 Mistral Large 4 从 easy 到 hard 掉了 30.3 个点，是全场跌幅最大的两家。
所以呢
这份基准的价值不在"谁第一"，而在它测的东西离真实业务足够近：101 个合成案例全在会计系统里用工具完成，不靠 AI 评 AI。两个信号值得记下：一是头部差距已经缩到 3 个点，选型逻辑正从"谁最准"切换到"谁最稳、谁最便宜"；二是开源模型在垂直任务上正式挤进第一梯队——0.6 美分一题的并列第二，对任何要规模化跑分类、对账、审单的管线来说都不是小数。
基准全文与 DualBench100 方法论在 dualentry.com/benchmark 公开（2026 年 10 月 13 日版次，Version 1.0），含全部 18 个模型的成本、时长与一致性明细。