Surge AI 发布了 DAYJOB: Tax,这是一个旨在评估 AI 代理在专业税务任务上表现的新基准。该基准包含税务实践八个领域中的 50 个环境,测试代理处理复杂客户请求、支持记录和做出专业判断的能力。在初步测试中,Claude Sonnet 5.5 的通过率最高,达到 10.8%,其次是 Claude Fable 5.1 和 Claude Opus 5.5,性能表现与成本相关。 AI
影响 该基准将有助于评估 AI 在税务咨询等专业领域的专业能力,可能指导 AI 代理在复杂决策角色中的未来发展。
排序理由 发布了用于评估 AI 代理在专业任务上表现的新基准。
在 Hacker News — AI stories ≥50 points 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →