大模型评测｜金融行业【AI财务会计师】离我们还有多远？103个大模型实测横评04.09

随着AI大模型越来越“聪明”，“AI抢饭碗”之类的新闻不绝于耳，焦虑蔓延。本着实事求是的原则，让大家了解AI是否能替代你的职业岗位？AI距离各行各业的数字员工还有多远？我们针对这些有争议的话题，围绕AI数字员工的胜任力进行评测，用具象的评测数据回答AI风潮下的这些焦虑。让大家心里有底，能够理性对待，不做时代的“韭菜”。

本期我们先从金融行业-财务领域开始，评测AI财务会计师。同时，金融等行业各领域不同类型、不同岗位、不同细分维度的AI数字员工评测，都在爆肝输出中，敬请期待（或者包子们想评测那个岗位，欢迎私信，有求必测！）。

一、评测结论：

103个大模型实测横评得分区间分布统计表

• 整体概况：当前大模型在财务场景应用的显著分化：各家AI大模型替代财务会计师岗位表现为，头部商用模型展现出专业优势，但大量中尾部模型尚未达到实用门槛；财务领域应用候选：建议重点关注80分以上的10个优质模型。

• 以下为评测的细分维度小结：

1. 领域最强模型
   字节系大模型豆包得分第一！腾讯系大模型包揽第2、第3名、第4名，DeepSeek排名第5名，前5名中hunyuan-large和DeepSeek-R1是唯二的开源模型。

2. 头部表现稀缺
   仅有1个模型（商用模型 Doubao-1.5-pro-32k-250115）达到优秀水平（92分），占比不足1%

3. 中坚力量薄弱
   良好区间（80-89.9分）包含9个模型，其中：

   • 商用模型6个（如hunyuan-turbo 89.8分、hunyuan-large 89.6分）

   • 开源模型3个（如DeepSeek-R1 88.6分、qwq-32b 84.1分）

4. 合格线集中区
   60-79分区间聚集了34个模型，占总数33%。该区间包含多个知名模型：

   • 商用：SenseChat-5-beta（76.6分）、Claude-3.5-Sonnet（75.9分）

   • 开源：qwen2.5-72b-instruct（77.8分）、deepseek-chat-v3（75.9分）

5. 尾部问题突出
   不合格模型占比高达57%，其中商用模型在低分段（如gemini-1.5-flash 52.5分、ERNIE-Tiny-8K 25.4分）和超低分段（xunfei-spark-lite 19.4分）占据主要比例。

6. 分类型统计

• 商用模型

  在优秀/良好区间占比100%，但同时也贡献了不合格区间的82%（48/59个）

• 开源模型

  主要分布在合格区间（占比32.4%），最高分DeepSeek-R1（88.6分）位列良好区间

二、评测维度：

针对金融行业-财务领域的初级会计职称、注册会计师、会计从业资格、审计师考试、注册税务师、注册管理会计师考试所涉及的专业知识，构建评测题集，进行评测。

各科目完整评测题集及结果详见：https://github.com/jeinlee1991/chinese-llm-benchmark

三、评测方法：

根据以上评测维度和题集构建，选取国内外的103个大模型进行实测横评，让他们分别答题，根据结果进行打分，并统计每个大模型的答题准确率，输出综合得分和排名。每一个大模型评测的评测题集、评测得分、评测错题，均可见、可查询、可溯源！

*103个大模型得分排名（图）｜绿色（闭源），蓝色（开源）

*103个大模型列表、得分和排名：

关于大模型评测EasyLLM：https://easyllm.site

1. 最全——全球最全大模型评测平台，已囊括200+大模型、300+评测维度

2. 最新——每周更新大模型排行榜

3. 最方便——无需注册/梯子，国内外各个大模型可一键评测

4. 结果可见——所有大模型评测的方法、题集、过程、得分结果，可见可追溯

5. 错题本——百万级大模型错题本

6. 免费——为您的私有模型提供免费的全方位评测服务，欢迎私信！

我们的目标是：

通过评测为大家透视化呈现，各个大模型的能力边界，以支持大家高效使用！欢迎交流！！！