DualEntrys benchmark för bokföring: Gemini 4 Argon etta, Carbon delad tvåa
Skriven av AI
Googles Gemini 4 Argon fick det bästa totalresultatet av 24 modeller i bokföringsprogramföretaget DualEntrys eget benchmark. Nya Gemini 4 Carbon delade andraplatsen och löste de svåra uppgifterna bäst av alla modeller.
DualEntry presenterade resultaten den 11 november i ett betalt pressmeddelande via Business Wire. Yahoo Finance publicerade också pressmeddelandet. Det är företagets eget benchmark och ingen oberoende mätning. DualEntry säljer till medelstora företag ett affärssystem där AI-agenter utför bokföringsarbete.
Googles nya Gemini 4 Carbon fick 88,1 procent, medan Gemini 4 Argon låg kvar i topp med 91,1 procent, uppger DualEntry i pressmeddelandet. Carbon delar andraplatsen med Zhipu AI:s GLM-5.3 Flash och SpaceXAI:s Grok 4.7.
Testet omfattar 101 fiktiva bokföringsfall
Testet består av 101 syntetiska, alltså särskilt framtagna, bokföringsfall inom åtta områden. Bland områdena finns bokföringsposter, leverantörs- och kundreskontra, bankavstämning och månadsbokslut. Kunduppgifter används inte.
Varje modell gör hela testet tre gånger med samma testföretag, verktyg och instruktioner. Svaren jämförs enligt fasta poängregler med referenslösningar som skrivits i förväg. AI används inte som bedömare.
Tabellen visar totalresultaten för de modeller som nämns i pressmeddelandet. Skillnaden mellan Argon och den delade andraplatsen är tre procentenheter. Ett enda test från ett enda företag räcker därför inte för att avgöra vilka modeller som är bäst på bokföringsarbete i allmänhet.
| Modell | Utvecklare | Totalresultat |
|---|---|---|
| Gemini 4 Argon | 91,1 % | |
| Gemini 4 Carbon | 88,1 % | |
| GLM-5.3 Flash | Zhipu AI | 88,1 % |
| Grok 4.7 | SpaceXAI | 88,1 % |
| Kimi K3.1 Pro | Moonshot AI | 86,1 % |
| Claude Fable 5.1 | Anthropic | 85,1 % |
| Gemini 3.8 Flash | 83,2 % | |
| Claude Opus 5.5 | Anthropic | 82,2 % |
| GPT-6.1 Sol | OpenAI | 81,2 % |
| GPT-6 Astra | OpenAI | 81,2 % |
Källa: DualEntrys pressmeddelande den 11 november 2026. Totalt testades 24 modeller, och tabellen visar dem som nämns i pressmeddelandet.
Av de svåra uppgifterna löste Carbon 25/28, eller 89,3 procent, vilket är testets bästa resultat. Argon löste 82,1 procent av dem, alltså två uppgifter färre. Enligt pressmeddelandet klarade Carbon de svåra uppgifterna något bättre än de lätta, vilket är ovanligt.
Carbon löste alla uppgifter i transaktionsklassificering. Svagast var modellen i bankavstämning med 66,7 procent. Där fick Argon 75 och Moonshot AI:s Kimi K3.1 Pro 100 procent.
Carbon billigare, Argon mer konsekvent
Argon fick testets bästa konsekvensresultat, 86,1 procent, och Carbon 80,2 procent. Benedict Dohmen, en av DualEntrys grundare, säger att Argon gav samma svar alla tre gångerna i 86 procent av uppgifterna. Carbon kostar 0,081 dollar per uppgift, ungefär 30 procent mindre än Argons 0,115 dollar.
”För ekonomiteam är konsekvens nästa avgörande skillnad”, säger Dohmen i pressmeddelandet. En AI-agent borde enligt honom nå Argons konsekvens innan den får tillgång till bokföringen.
På DualEntrys sida dualentry.com/benchmark finns resultaten för alla 24 modeller, inklusive priser och svarstider.
Läs mer: Hur en agent fungerar · Agentkarta