TaxCalcBench

前沿大语言模型在税务计算上失败；专家建议使用确定性引擎

一项名为TaxCalcBench的新基准测试显示，即使是前沿的大语言模型（LLMs）在税务计算方面也存在困难，表现最好的Gemini 2.5 Pro也只能正确处理32%的报税单。研究表明，由于其概率性和不一致的输出，LLMs不应成为税务、折扣或定价等财务决策的最终权威。因此，推荐的方法是分工合作：LLMs将自然语言规则转化为形式化规范，然后由确定性引擎执行，以确保准确性和可审计性。