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
| 分数区间 | 评级 | 数量 | 占比（共103个） |
|---|---|---|---|
| 90-100分 | 优秀 | 1 | 0.97% |
| 80-89.9分 | 良好 | 9 | 8.74% |
| 60-79.9分 | 合格 | 34 | 33.01% |
| 0-59.9分 | 不合格 | 59 | 57.28% |
-
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：
- 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。 -
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% -
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）
-
-
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）
-
-
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。 -
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
-
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
-
最新——每周更新大模型排行榜
-
最方便——无需注册/梯子，国内外各个大模型可一键评测
-
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
-
错题本——百万级大模型错题本
-
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！！！
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
