50 份真实报税卷宗，把 AI agent 考趴下了

客户问：卖房选十月还是明年一月更省税？agent 把两个日期都算对了，却没提醒她：再拖过明年八月底，免税资格就没了。这一单，判了不及格。

一、发生了什么

评测机构 Surge AI 在 10 月 27 日上线税务专业基准 Dayjob: Tax。卷面是 50 套完整工作环境，横跨个人、小企业、合伙、跨境、信托、税务争议等八个业务方向，一共塞进 1789 份材料——申报表、工资单、IRS 通知、分类账，还有手写收据的照片和跨国的加密货币流水，agent 得自己读出品名金额，再去和进货记录对账。任务不是答题，而是从一纸客户委托做到交付物。结果很残酷：按 95% 评分线算，Claude Sonnet 5.5 以 10.8% 的通过率排第一，Fable 5.1 和 Opus 5.5 分别是 9.6% 和 9.2%。题目由执业税务专家按真实工作流编写，每道题过三层人工审核，出题团队里有在四大会计师事务所和企业税务岗干过十年以上的人。出题方还专门把自己的考卷和现有几款税务评测做了切割：别的测试大多从一个定义好的问题出发，而这里 agent 要先自己弄明白问题是什么。

二、跟你有什么关系

用 agent 接专业活的团队，这个基准划出了一道底线：模型会算术不等于会办事，漏掉客户没问的隐患才是最大风险。买 AI 财税服务的普通人，看到「AI 查账」的宣传时多留个心眼，关键结论仍要人工复核。做评测的工程师，可以把「发现未提出的连带问题」设为自己产品的内部指标，比单看任务完成率更能暴露问题。

三、怎么判断

1. 看它是否主动找反证：卷宗里明明有另一个州的工作日志，agent 有没有拿去核多州纳税义务，还是只按客户说的办。
2. 看它对不确定信息的处理：材料自相矛盾时，是停下来问，还是挑一个顺手的假设往下走。基准里 Opus 五次都默认一对夫妻没结婚，忽略了档案里的德州痕迹。
3. 看最终交付物：有没有把推断依据写清楚，让人类复核者能顺着查。
4. 把漏报单独记账：算错一个数容易发现，少提醒一个期限才是真金白银的损失，两类错误要分开统计。

四、三个别信的说法

模型分数高就靠得住。 一成的通过率说明 frontier 模型在端到端专业流程上还很稚嫩，榜单名次之间的差距远小于「全部需要人审」这个事实。

这题考的是税务知识。 出题方反复强调，考的是职业判断：什么该查、什么时候该停下来。换到法律、医疗同样成立。

现有税务评测已经够用。 同类测试大多从明确的问题出发，而真实工作里最难的一步是搞清楚问题本身，这个基准补的就是缺的那一段。

通过率低说明模型没学过税。 参评的都是前沿旗舰，知识面不是瓶颈；卡住它们的是主动性——判断什么值得查、证据冲突时先信谁，这些能力现有训练目标里几乎没有专门奖励。

五、一句话结论

agent 过得硬不硬，不看它答对了多少题，看它能不能替客户想到没人问出口的那一问。

信息来源

• Dayjob: Tax 基准发布博客：Surge AI（2026-10-27）

功能与价格以官方公告为准。本文写于 2026 年 10 月 29 日。