Mercor会计基准

【背景】Mercor发布的APEX基准测试旨在量化AI在知识工作中的实际生产力。最新数据显示，在简化的结构化会计任务中，Claude Opus 5等模型以100%准确率和低于10分钟的耗时，大幅超越平均得分37%的人类持证会计师，单次评分标准成本仅为人类的约1/50。

然而，这一“完胜”仅局限于特定场景。在包含160项任务、模拟真实企业环境的完整APEX会计基准中，表现最佳的模型得分仅为61.8%，且近六成任务无人能完全解决。这表明AI目前擅长的是指令遵循与数据检索，而非需要专业判断、客户沟通及多步骤规划的完整“结账”流程。

争议核心在于“任务层”与“职业层”的错位：一方认为AI已具备替代初级分析师的能力并带来巨大效率红利；另一方（包括Mercor研究者）强调当前测试未覆盖非结构化工作，AI仍需人类监督才能交付可用成果。未来需关注模型在多步长程任务中的成功率突破，以及行业对“人机协作”新标准的定义。