DAYJOB: Tax 发布：50 个环境考 agent 做真实税务工作
Surge AI 发布 DAYJOB: Tax，把税务师从接到客户请求到交出成品的一整段工作做成 50 个环境，覆盖 8 个执业领域（个人与家庭、小企业、合伙、房地产与投资、遗产与信托、国际税、公司交易、税务复核与争议）。工作区共 1,789 份文件——1,487 份 PDF、117 个 Excel、38 个 Word，其余是邮件、图片、CSV、JSON，单个环境文件数中位 30、最多 123。任务由税务专家出题，并经正确性、完整性、可解性三层复核。
评分按 95% rubric 阈值的 pass@1：Claude Sonnet 5.5 以 10.8% 居首，Claude Fable 5.1 为 9.6%，Claude Opus 5.5 为 9.2%。一次尝试要通过，必须满足该任务至少 95% 的评分项，覆盖计算、证据支撑、关键问题与成品交付。
与既有 TaxBench（114 道有明确问题的税务题）和 TaxCalcBench（报税表计算准确度）不同，它考的是「客户没问、但对结论有影响的事」。官方给的例子：一套房产免税额上限 25 万美元，模型把 10 月与 1 月两个出售日期都算对了，却没有提住户资格会在 2027 年 8 月底失效——同一题 Astra 五次全部漏掉，Opus 五次全部提出。10% 上下的通过率说明的不是模型不会算税，而是「主动发现问题」这一层还没有被解决。
原文链接：Surge AI 官方博客
核验记录
页内可见 October 27, 2026（列表与正文各一处），JSON-LD 只给 2026-10-27，两处一致。榜单排名与 10.8% / 9.6% / 9.2% 取自官方正文自述，未直读 Hugging Face leaderboard 原始分数表；50 个环境、1,789 份文件、文件类型分布均为原文照录。案例中的 Astra / Opus 对照也来自官方叙述，未独立复现。配图为官方 og PNG，双通路 200（1672×941）。