原始来源：Surge AI · DAYJOB 团队
发现渠道：Hacker News · AI
专业工作通常不会把所有关键条件写进提问。客户给来邮件、表格和历史文件，工作者还要发现哪里互相矛盾、哪种选择会触发额外条件，再交付能使用的结果。DAYJOB Tax 用 50 个税务工作环境模拟这种情况，合计 1789 份文件，单项任务中位数为 30 份，最大达到 123 份；材料由专家构造并分层审阅，不是真实客户资料的直接公开。
评分关注完整任务是否达标。以满足至少 95% 的评分项为通过线，发布页报告 Sonnet 5.5 单次通过率 10.8%、Fable 5.1 为 9.6%、Opus 5.5 为 9.2%。这些数值不能说成“模型只懂一成税法”，也不能在没有误差分析时据此宣布几种模型优劣已经分明：少量关键遗漏就可能让整项任务不过线。
原文举例，模型比较客户给出的两个出售时间，算出了两者的结果，却漏掉另一个决定资格的未来期限；另一个例子中，不同模型又对婚姻状态作出不同程度的未经确认假设。难点是从材料中找出尚未被问到、却会改变建议的问题。评论区既有用户说模型帮忙发现人工申报错误，也有人追问测试使用了什么工具和工作流。这些经验支持辅助复核的价值，但不是该基准的复现，更不构成个人税务建议。
可信度 65 · 重要性 90 · 新颖度 85
技术与主题
Agent 系统 · 评测与基准 · agent evaluation · professional tasks
waiwai933
在 DAYJOB 讨论中谈自己作为海外美国公民核对申报草稿的经验；不是参加基准的用户。
忠实转述（非原句）：他把自己准备的草稿和支持材料交给 Claude，既发现过汇率错误，也遇到模型因缺少背景提出误报、对模糊规则给出另一种解释，以及迟迟算不准估算税额。他认为它适合辅助检查，不适合丢入所有文件后期待无需核对的成品；此处是个人经验，不提供税务结论。
licyeus
针对该基准的工具与系统指令披露提出疑问。
忠实转述（非原句）：他没有很快找到完整工具和指令设置，并提出专用工作流可能先整理要求再逐项核对。他问，这究竟是在测专业系统，还是模型自行组织工作并在上下文里跟踪要求的能力；这一建议尚不是已完成的改进实验。
编辑评读
这个基准使“能算”与“知道该算什么”之间的距离更具体。即使公式调用完全正确，若遗漏资格、时间或身份前提，最终建议仍然可能不合用。对类似的合同、运营或文档工作，值得迁移的不是税务规则本身，而是先从原始材料提取会改变方案的条件，再检查条件之间是否冲突。
低通过率也需要结合任务设计读。严格整项阈值适合提醒人注意交付缺口，却隐藏了错误的大小与修复难度。遗漏一项关键信息和多数计算都错，可能同样算失败；实际辅助流程的价值还要看人需要花多少时间核对与补救。用户自述模型发现错误，和无人介入整项通过率低，可以同时成立。
关于专用工作流的质疑值得留下。若先列条件、检索当前规则、使用确定性计算器再复核，表现可能改变；但这只是待测假设，不能据此抹掉已有结果，也不能说作者已经测过最佳专业系统。下一轮有价值的比较应公开工具、系统指令与人工介入范围，在同一任务上比较最终质量和修复成本。
需要留意
- 严格整项通过率不等于单条知识准确率；用户辅助复核经历不是基准复现。