Surge AI 发布税务 Agent 基准，最高通过率仅 10.8%

Surge AI 发布 DAYJOB: Tax 基准，用 50 个环境、覆盖 8 大税务领域的专业任务评估 AI 智能体。在 95% rubric 阈值下，Claude Sonnet 5.5 以 10.8% 的 pass@1 通过率居首，Claude Fable 5.1 和 Claude Opus 5.5 分别为 9.6% 和 9.2%。 该基准属于 Surge AI 的 DAYJOB 基准系列，测试的是税务场景中的专业判断能力。目前各模型通过率均在一成上下，显示这类专业任务对现有智能体仍有较大难度。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。