測的是端到端稅務工作，不是單題計算
2026 年 10 月 27 日，Surge AI 發布 DAYJOB: Tax（DAYJOB 系列接續 Healthcare、Finance）。定位很清楚：真實稅務工作常指令不完整、紀錄互相矛盾，而且最重要的問題未必寫在客戶原始需求裡。基準要看代理能否從客戶請求一路做到可交付成果。
全基準含 50 個環境、1,789 個工作區檔案。代理要能導覽複雜稅務紀錄、找出客戶可能沒想到的議題，並在資訊不全時做判斷。官方強調：成功不只靠稅法知識與算對數字，還要有主動調查與專業判斷。
本文只介紹這套基準與公開排行數字，不是報稅教學，也不討論如何減少應納稅額。
八大領域與檔案長什麼樣
環境涵蓋八塊：個人與家庭稅、小企業、合夥、財產與投資、遺產贈與信託、國際稅、公司交易、稅務審查與爭議。交付物可能是報表、工作底稿、技術審查或客戶建議信。
檔案統計（官網）：中位數每題約 30 個檔、最多 123；含 1,487 份 PDF、117 本 Excel、38 份 Word，以及 Email、圖片、CSV、JSON 等。另有手寫收據照片、跨州派遣日誌、跨境與加密貨幣匯出紀錄等「不標準」證據。
排行榜：通過率仍低
評分採 pass@1、任務標準達 95% 才算過（計算、證據、關鍵議題與最終交付）。官網當下領先：
| 模型（頁面寫法） | 通過率 |
|---|---|
| Claude Sonnet 5.5 | 10.8% |
| Claude Fable 5.1 | 9.6% |
| Claude Opus 5.5 | 9.2% |
成本對表現另有 Pareto 圖；Sonnet 5.5 與 Opus 5.5 落在高表現一端。官網結論語氣直白：代理「還沒通過這場稽核」。
跟 TaxBench／TaxCalcBench 差在哪
Surge 對照既有基準：TaxBench 偏「難題能不能答」、TaxCalcBench 偏「報表算得準不準」、TaxLab 偏「能不能追問補齊資料再完成個人報表」。DAYJOB 多問一步：客戶有沒有問對問題？紀錄支不支持這樣申報？缺收據時會不會硬當已核實？
頁面用案例分析專業判斷：例如比較兩種售屋時點都符合自住排除條件，但代理是否提醒資格可能在更晚截止日期後失效；或客戶自認只在一州營運，派遣日誌卻顯示五州出勤。任務由稅務專家設計並經三層審查。
讀這篇時請記住的界線
對開發者與採購：這是評估「代理能不能扛雜亂專業流程」的工具新聞，完整排行與申請入口見 Surge 原文。對一般讀者：低通過率代表前沿模型在真實稅務工作流上仍不穩；任何個人或公司稅務決定仍應交給合格專業人士，不要用聊天機器人替代報稅或規劃。
