DAYJOB: Tax 基准测试评估 AI 代理在 50 个税务任务中的表现
DAYJOB: Tax 是一个基准测试，用于评估 AI 代理在 50 个真实税务环境中的表现。它测试代理处理混乱记录、行使专业判断并交付可靠税务工作的能力。代理需处理 1789 个文件，导航复杂记录并在信息不完整时做出判断。
真实税务工作指令不完整、记录冲突，DAYJOB: Tax 测试 AI 代理能否从初始客户请求到最终交付物全程负责。
- 覆盖 50 个环境和 1789 个文件
- 需导航复杂税务记录
- 发现客户可能未提出的问题
- 在信息不完整情况下做出重要判断
- 成功要求超越税务知识和准确计算