当AI翻开底稿查账

大模型「会不会读Excel」已经不是一个新鲜话题。但在真正的财务场景里，会读表和能查账，中间还隔着很长一段距离。为了看看不同模型面对一份完整基金财务底稿时，究竟能排查到什么程度，我做了一次小实验。

先说结论：真正难的不是看到一个差额，也不是把某个数字强行改到平，而是穿透多张Excel表，找到差额背后的会计事项，并解释它为什么会以当前方式出现在资产负债表上。

测试背景与目的

测试材料是一份完整的基金财务底稿。我在其中埋了3个人工做账时很容易出现的manual issue。

第一个问题是资产负债表中的银行余额没有取到最新数，导致现金余额漏掉了后续银行流水；第二个问题是投资成本已经增加，却没有对应的银行投资流水，真实情况是投资已经确认但尚未付款，因此应当同步确认一笔应付款；第三个问题则更直接，是复制费用项目时留下了一条重复记录，同一笔费用在底稿中出现了两次。

听上去不难，但是如果这些数据是以几十张sheet加几百行数据体现在一个4m大小的excel里，那数据量和阅读量对于一个完全没有接触过这个底稿逻辑的普通人，应该也至少需要一个小时去完成。

而且，在数据上麻烦的地方，在于前两个问题会以相反方向影响资产负债表。银行余额少记会让资产变少，而投资已经入账却没有确认应付款，又会因为负债少记而让净资产看起来更高。两个错误在净额上互相抵消，所以如果只盯着资产负债表最后差了多少，很难找到真正原因。甚至当模型先找到其中一个底层差异并立即修数时，表面差额还可能变得更大。这并不代表排查方向错了，反而说明还有另一个方向相反的问题没有被找到。

因此，正确的排查方式不是围绕最终差额猜公式，而是从资产负债表一路追到Cash Summary和银行流水，再从投资成本追到投资明细和应付款明细，一项一项建立余额关联。这个过程考验的已经不只是Excel公式理解，而是能否把多张表里的数据还原成同一条经济事项。

我把同一份底稿、同一个问题分别交给不同模型排查。为了尽量避免agent之间共享上下文或记忆，每次都使用全新agent开始。下面出现的模型、耗时和测试结果，都是我的实际记录。不过，这并不是一次严格的标准化benchmark：不同模型所在的agent客户端并不完全一致，有的在GPT原生Codex中运行，有的通过WorkBuddy接入不同API。工具权限、Excel解析能力、重试机制和客户端配置，都会影响最终结果。

7个模型，实际查出了什么

GPT 5.6的表现最完整。它用6分钟找出了前两个问题。当我根据结论修正底稿后，再让它继续读取文件，它又找到了第三个重复费用问题。这一点很接近真实的审计过程：不是找到一个答案就结束，而是修完一层、重新计算，再继续往下查。GPT 5.5我没有试了，主要是用量不够了……

GLM 5.2用时11分钟，同样找出了问题1和问题2。它的优点是能把注意力集中在现金和投资变动上，没有被底稿里大量非关键公式带偏。

GLM 5.1则明显更依赖人工纠偏。前两轮它都没有给出正确答案：第一轮主要指出了一些不影响结论的公式问题，后续又把问题1造成的结果当成问题，建议直接修改公式。在我指出它的逻辑和定位问题后，它才找到问题1和问题2。但这种情况下，如果复核者事先不知道答案，很可能无法判断它究竟是在接近正确方向，还是只给出了一个看起来合理的解释。

DeepSeek V4 Pro在测试中多次中断，需要不断提示「继续」。它一度触及问题1的边界，也就是发现了数据存在不一致，但对原因的定位并不正确。在得到进一步提示后，才查出问题1。这里的问题和GLM 5.1有些相似，如果人不知道标准答案，就很难判断模型到底找到了证据，还是只碰巧靠近了异常区域。

HY3的结果给了一点惊喜。它在首轮就找到了问题1，对问题2也发现了差异。之前我一直觉得腾讯的模型不太行，但这次把思考强度拉到最高后，结果其实还不错。不过，它把第二个问题解释成「银行流水的问题」。这个说法有一定的逻辑，因为真实情况不是漏了一笔银行流水，而是投资已经确认、款项尚未支付，应该补记应付款，不能为了配平而虚构一笔现金流，这个往大了说，可以说体现了模型在流水golden source 和账务处理优先级认知上的问题，因为正常财务在做账时候，在确定银行流水之后，会优先定位账务处理的问题。

Doubao 2.1 Pro用26分钟找出了问题1和问题2，核心问题和原因定位都正确。从这次记录看，它的结果质量与GPT 5.6、GLM 5.2接近，只是耗时更长，token消耗也高于GLM。

MiniMax M3用时22分钟，也找出了问题1和问题2，但同时额外判断了一个并非真正错误的问题。我觉得这个倒是问题不大，毕竟excel里埋了很多误导性的公式，比如hardcode，#REF，无用的公式引用和隐藏的sheet。所以如果不是坚定的能够抓住三大表的逻辑，AI很容易满足在抓到的这些小错并且回报。

不过，严格来说，在财务复核中，误报并不是小事，因为每一个看似专业的错误提示，都需要人重新取证和验证，会直接增加复核成本。

总结一下，7个模型里，旗舰模型基本都能定位前两个问题，次旗舰稍微会有点预判污染。DeepSeek 可能是部署的问题，要不断地提示继续，我常常不知道它是不是还在思考……

从表现上，GPT 5.6最快，在整个推理中，我发现GPT会不断的读取成果截图，也就是说，它会不断用视觉理解来调整结果，其他模型都只能不断用openxyl来dump数据和公式，对于最终的结果输出也有时候难以保证打开结果的一致性。

具体问题定位上和合作模式上，尽管模型基本都能定位前两个问题，但表现参差不齐，有的需要反复人工纠偏，这对于不知道正确答案的真实场景，其实会耗费比实际测试更多的时间和精力。

AI距离真正的财务复核，还差在哪一步

第一，找到差额不等于找到问题。财务底稿里本来就有大量检查数和中间差额。模型如果只能指出「A表和B表不一致」，还不能算完成排查。它必须继续回答：差额由哪一笔经济事项造成，应该调整资产、负债、损益还是权益，修改后又会对其他报表产生什么影响。

第二，真正拉开差距的是跨表穿透能力。这份底稿的问题不可能只在一张表里看出来。模型必须从资产负债表追到Cash Summary，再追到银行流水；从投资成本追到投资明细，再判断是否存在未付款投资。它不但要读懂单元格，还要把不同工作表中的记录拼成完整的会计逻辑。

第三，修完一个问题后必须重新计算。GPT 5.6在修完前两个问题后继续找到第三个重复费用，就是一个很典型的审计式工作流。财务排查很少一次完成，而是不断循环：定位、修正、重算、再定位。一个模型能否在修改后重新建立全局判断，比第一次回答得像不像专家更重要。

第四，工具链本身也是模型能力的一部分。这次测试使用了不同的agent客户端和API接入方式，因此结果不能全部归因于底层模型。能否稳定读取Excel、保留公式和格式、跨表追踪引用，以及在中断后继续工作，都会直接影响最终表现。对真实业务来说，用户使用的从来不是一颗孤立的「模型大脑」，而是一整套模型、客户端和工具组成的工作系统。

如果把AI放进财务复核流程，我认为它目前最适合承担的是第一轮底稿异常扫描和证据链梳理：先找出所有异常的checks并追踪关键单元格的前置引用，建立余额关联，再比对银行流水、费用明细和投资明细中的重复、截止与缺失问题。最后仍然应由专业人员判断会计处理、确认证据，并决定是否修改。

所以这次测试之后，我对AI在财务底稿中的价值有了更清晰的判断，有效的模需要「帮我找到哪里不平、为什么不平」，因此需要它能把多张表中的数字追溯到具体的会计事项，并解释清楚它为什么会以当前的方式出现在报表上。这才是从「会读表」到「能查账」的真正跨越。

作者：坦桑尼亚老云 | 编辑：栗加

每个视角都是拼凑世界真相的碎片，听真诚的行业观察者讲述独特的故事。我们有深耕行业的资深顾问，连续跨界探索的未来创业者，专注细节的产品匠人，和许多志同道合的你们，如果你有想要分享的故事或者感想，可以留言或者邮件联系（AiysJY@outlook.com），也欢迎点分享给需要的朋友们，记得点一下在看和星标，期待共同在这个行业的宏大叙事中，留下一句诗。：）