它测的不是做题
多数税务评测从一道定义好的问题开始：算一张表、答一个法条、补一项缺失信息。DAYJOB: Tax 反过来，先给一段不完整的客户请求和一堆杂乱材料，让 agent 自己判断该查什么、哪些证据互相冲突、哪些问题客户根本没提。交付物可能是报税表、工作底稿、技术复核，也可能是一封给客户的建议信。
任务长什么样
50 个环境覆盖八个税务领域：个人与家庭、小企业、合伙企业、房产与投资、遗产赠与与信托、国际税、公司交易、税务复核与争议。共 1,789 个工作区文件，中位数每个任务 30 份、最多 123 份，包括 1,487 个 PDF、117 个 Excel、38 个 Word，还有邮件、图片、CSV、JSON 和文本。里面有已申报和草稿税表、K-1、W-2、IRS 通知、总账、工资记录、合同和往来函件，也有一张手写收据的照片。
成绩单
按 pass@1、95% 评分门槛计算，Claude Sonnet 5.5 为 10.8%，Claude Fable 5.1 为 9.6%，Claude Opus 5.5 为 9.2%。也就是说，即便是榜首，五次里也未必有一次能把一份专业税务任务做到评分标准的 95%。Surge 的结论很直接：单个步骤会做，不等于能承担一整段专业工作。
两个能说明问题的失败
第一个案例里，客户在比较卖房的两种成交时间，两个日期都满足自住年限要求。Astra 算对了，但五次尝试都没提醒客户：按规则，她大约在 2027 年 8 月底之后就会失去这项资格，交易再拖就可能多缴一大笔税。第二个案例里，一对夫妻问怎么分退休账户，Opus 5.5 五次都建立在「你们没有合法结婚」的假设上，尽管材料里已经有在德州共同居住、在科罗拉多办过仪式的记录，足以要求它先核实婚姻状态。
怎么用这个结果
不要把 10.8% 理解成「模型没用」。它更像一张分工表：格式整理、材料检索、初稿撰写可以交给 agent；涉及身份、期限、跨州规则和不可逆金额的节点，必须留人工复核。采购时也要问清楚，供应商报的是「答对题」的分数，还是「发现问题」的分数，两者不是一回事。
专业工作的分水岭，不是客户问什么你答什么，而是客户没问的那件事你有没有看见。