每天听简报，了解最新科技、AI、软件资讯
Surge 发布的 DAYJOB 税务评测，把模型放进了接近实际工作的文件堆里。它覆盖八类税务领域、五十个环境，总共一千七百八十九个工作文件，每个环境中位数有三十份。任务要求模型读记录，再交出能审查的成果。按官方设定，满足百分之九十五评分项才算通过；领先的 Sonnet 五点五，通过率也只有百分之十点八。这个数字表示达到严格交付门槛的任务比例，不能解释成九成答案都错了。案例里，模型会漏掉资格截止日期，也会未经核实就假定婚姻状态。评测揭示的是完整工作流中的核实缺口，并未证明模型已能独立承担税务工作。
进度保存在本设备 · 登录同步