APEX-Accounting基准：评估九个前端模型会计能力

Mercor联手Ramp发布APEX-Accounting，内含160个会计任务，覆盖对账、费用计提等真实工作。九个前沿模型参与测试，Claude-Fable-5 (Max)以56.4% Mean Criteria@3领先Muse-Spark-1.1 (xHigh)的52.6%。最高Pass@8仅21.5%（Muse-Spark-1.1），GPT-5.6-Sol (Max+Pro)的Pass^8为2.6%。实验发现辛普森悖论：提高token预算提升总分，但预算受限时高token消耗任务得分更低。