Folia
← 返回头版

Surge AI发布Dayjob: Tax基准,AI在专业税务任务中通过率仅10.8%

Surge AI发布了名为DAYJOB: Tax的新基准测试,旨在评估AI代理在处理50项专业税务任务时的能力 1。该测试涵盖个人/家庭、小企业、合伙企业、房地产/投资、遗产/信托、国际税、公司交易及税务审查/争议共8个税务实践领域 1。与传统基准如TaxBench不同,DAYJOB: Tax强调“发现客户未提出的问题”和“处理混乱记录”的能力,重点考察AI在面对不完整指令和冲突证据时,能否展现出类似人类税务专家的专业判断力 1。

该基准包含1,789个工作区文件,格式包括PDF、Excel和Word等;每个任务的文件数量中位数为30个,最多为123个 1。初步结果显示,表现最佳的模型Claude Sonnet 5.5的通过率为10.8%(基于95%评分标准阈值),其他模型如Claude Fable 5.1和Claude Opus 5.5的通过率分别为9.6%和9.2% 1。这一数据表明,AI在承担端到端专业责任方面仍面临巨大挑战 1。

以Anna的公寓出售案例为例,多数AI未能识别出2027年8月后可能失去税收豁免资格的截止日期,这体现了其在识别客户未提及关键信息方面的局限性 1。


评论