作者：林岚｜OC 技术编辑

据 Vineyard Finance 的测试报告，开放权重模型 GLM 5.2 用 68 分钟处理了一家英国小企业一个季度的 59 笔交易，估算 token 成本为 2.73 美元。最后的 VAT 应退税额与人工账本只差 7 便士。

一句话结论：这是一项很强的代理能力演示，但“最终金额只差 7 便士”掩盖了更重要的事实——模型在 354 个检查项中错了 20 个，其中一个错误涉及 1 万英镑创始人股本的法律属性。

测试环境比普通聊天窗口认真得多。GLM 5.2 运行在隔离的 Google Cloud 实例上，通过命令行工具操作在线会计软件。每个月是一段连续代理会话，模型可以使用 Bash 和互联网，但接触不到标准答案。三个月合计调用工具 137 次，输入 token 达 573 万，其中 92% 到 95% 命中缓存，因此成本被压到 2.73 美元。

模型做对的部分很有价值。它能把发票准确关联到交易，分辨同一天、同商户、同金额的不同付款，也能识别银行账户之间的转账和被拆成两条流水的一笔消费。这类工作过去往往需要熟练记账员，不只是套一个分类规则。

但“差 7 便士”不是准确率的完整描述。报告按每笔交易的类型、科目、VAT 处理、VAT 金额、反向征税和凭证附件六项评分，共 354 项，模型失败 20 项，分布在 18 笔交易里。多数错误没有改变本季 VAT 总额，却会让账本在审计和年终申报时留下问题。

最严重的一次，是模型把 1 万英镑创始人股份记入普通“资本账户”，而不是“未付股份”。两者都像是创始人把钱放进公司，但法律意义不同：股本带有资本维持和披露义务，不能像普通往来款那样随意退回。这个错误不影响本季 VAT，所以最终数字依然漂亮，却可能影响公司年报和审计。

测试也有边界。发票都是可读取文字的 PDF，不需要视觉识别；人类已经提前找到全部单据，并为两笔缺少现实背景的交易提供了备注。现实中的会计工作还包括追发票、询问用途、判断异常交易和承担签字责任，这些没有被纳入成本比较。报告作者同时在推广自动记账产品 Toot Books，因此结论“记账正在成为已解决问题”也应当看作产品方判断，而不是独立行业共识。

这项测试真正说明的是：AI 已经足以完成大量初级记账操作，而且成本低得惊人；接下来的工程难点不再只是模型会不会点按钮，而是怎样让系统发现“金额对了、法律分类却错了”这种低频高风险错误。

关键事实

• 59 笔交易、68 分钟、估算 token 成本 2.73 美元。
• VAT 最终净额与人工结果相差 7 便士。
• 354 个评分项中有 20 项失败，涉及 18 笔交易。
• 测试未包含寻找缺失发票、处理图片单据和承担最终申报责任。

OC 判断

GLM 5.2 已经能替代大量“录入与初步分类”，但还不能替代责任主体。最现实的产品不是无人会计，而是模型处理 90% 常规交易，把高金额、股本、跨币种和低置信度项目交给人复核，并保留完整操作轨迹。

为什么重要

• 开发者：评测代理系统不能只比较最终数字，还要检查中间状态和高风险分类。
• 企业：自动化能显著降本，但必须按金额、法律影响和异常程度设置人工复核。
• 用户：AI 算出的税额看起来正确，不代表整本账在法律和审计意义上都正确。

参考来源

• Vineyard Finance：GLM 5.2 VAT benchmark
• 英国政府：VAT returns