50 道真实税务题，最好的 AI 只过了 10.8%

同一周，Google 的 Gemini 4 Carbon 在 Artificial Analysis Intelligence Index v5 上以 59 分登顶，SEC-bench Pro 拿到 88.2%。也是同一周，另一份评测给出了 10.8% 这个数字。

图1：88.2% 与 10.8%：同一周的两个数字

这份基准怎么考

Surge HQ 的 Dayjob: Tax 没有出考题。它找了 50 个真实税务业务场景——纳税申报、客户咨询——附上近 1800 份文档。这些文档的特点很生活化：信息常常不全，文件之间还会互相矛盾。这恰恰是真实专业工作的日常。

结果：表现最好的智能体，通过率 10.8%。

失败的方式比分数更有信息量。有一个案例里，客户问卖房该选什么时点。智能体把税务算得全对，却没有发现客户马上要错过一项重要退税资格的截止日期——真正有经验的税务师会在客户问之前就提醒这件事。

另一个案例更简单：智能体在没核实客户婚姻状况的前提下，给出了财产分割建议。它不缺知识，缺的是"先问清楚再开口"的职业习惯。

图2：两个失败案例：算对了，但没做好

为什么这个数字比榜单值得看

榜单考的是"能不能做对"，真实工作考的是"能不能想到客户没问的事"。前者是能力，后者是判断。10.8% 说明第二件事目前的自动化程度低得惊人。

这也解释了为什么同周另外两条消息不矛盾：Anthropic 一位招聘经理取消了传统编程面试，理由是 Claude 在这类测试上已经超过人类；Proton 开始就 AI 能力重新面试在职员工，把结果作为去留依据。前者说"考试已经测不出人"，后者说"公司已经在按 AI 能力重新排队"。而 10.8% 提醒的是：被这些动作衡量和替代的，可能本来就不是同一件事。

关联推荐

• "AI 发现 79 个内核漏洞"审计之后：10 个是真的，真正的坏消息在别处 — 自动化产出的准确率问题
• OpenAI 一次性甩出 722 篇数学证明：哪些是真突破，哪些已撤回 — 大规模产出与可靠性的落差
• 形式化验证 Lean 是什么，为什么它成了 AI 数学的"裁判" — 怎么给 AI 的产出做校验