AI图鉴

AI图鉴首页 › AI 资讯 › 日间工作:对50项专业税务任务进行AI agents评估

日间工作:对50项专业税务任务进行AI agents评估

来源:Hacker News · 发布时间:10-28 · 由 AI图鉴每小时自动聚合

文章 URL:https://surgehq.ai/blog/dayjob-tax 评论 URL:https://news.ycombinator.com/item?id=50275626 要点:74# 评论:47

安娜打算卖掉她的公寓她已于2024年8月搬出,并想知道2026年10月关闭还是2027年1月关闭对税收更有利。

AI agent审查了这两种选择,并正确地得出结论说,这两个日期都能够满足住家要求,在被排除在外的收益中,抵扣税款额可达250 000美元。

但它留下了一个重要的期限。

根据通常的规则,房主在出售房产之前必须至少居住了五年中的两年,才有资格被排除在外。 由于安娜于2024年8月搬出,她会在2027年8月底左右停止满足这一要求。 如果她的销售被推迟至2027年8月以后,她可能会失去资格。

在五次尝试中,阿斯特拉从未确定最后期限。 奥普斯在五次尝试中都发现了它。

agent对拟议日期的评价正确,但其建议让安娜不知道一个可能影响重大财务决定的最后期限。 税务顾问应该承认间接问题即使客户不知道要问这些问题

这是我们用DAYJOB:税收来测试的专业判断,是Suge AIDAYJOB 基准测试家族的最新增补。

引入 DAYJOB:税收

DAYJOB评价AI agents专业税务任务需要专业知识,复杂的材料,以及初步指示中未充分说明的决定。 我们早先的发布涉及医疗保健和金融。 DAYJOB:税收将这项工作扩大到税务准备、合规和咨询服务。

基准测试包含50个环境,涉及8个税收实践领域。 Agents接收客户请求和支持记录,然后制作纳税申报表,工作文件,技术审查,或客户咨询。

这些任务与税务知识、计算、检索和随后的指示一起检验专业判断。 Agents必须决定什么是值得调查的,解决相互矛盾的证据,在信息不充分时承认,并将这些决定纳入其最后工作。

结果:领导板和Pareto边疆

Claude Sonnet 5.5领先,DAYJOB:税务领导板的通过率为10.8%,其次是Claude Fable 5.1,以9.6%的比例,Claude Opus 5.5,以9.2%的比例。

我们以95%的门槛报告通过@1。 尝试一旦达到至少95%的任务标准即告通过,这些标准评估计算、佐证证据、间接问题和完成的交付品。

业绩与费用

我们还将示范业绩与每次审判的平均费用进行比较。

Claude Sonnet 5.5和Opus 5.5占据了测量的帕雷托边疆的高性能端。

专业税务工作的广度

DAYJOB:税收涵盖八个领域,每个领域都需要不同的规则、记录和专门知识:

- 个人和家庭税

- 小企业税

- 伙伴关系

- 财产和投资

- 财产、礼物和信托

- 国际税

- 公司交易

- 税务审查和争议

有些任务需要附有辅助工作文件的完整档案包。 其他人则要求agents调查交易,审查先前的备案,或准备关于客户尚未做出的决定的建议。

任务里有什么?

基准测试包含1,789个工作空间文件,每个任务中位数为30个,多达123个。 其中包括1,487个PDF,117个Excel工作手册,38个Word文档,以及额外的电子邮件,图像,CSV,JSON记录,和文本文件。

工作空间包括填报的和起草的纳税申报表、K-1、W-2、IRS通知、总分类账、工资记录、合同和通信。 它们还载有税务专业人员经常与之合作的不太标准化的证据。

一项任务包括为转售而购买的商品的手写收据的照片。 agent必须阅读项目说明和金额,将其与支出记录核对,并确定购买如何影响库存和所售货物的成本。

另一项任务涉及一家工业仓服务公司,其客户假定该公司只在阿拉巴马州运营。 但它的现场调度日志显示机组工作在五个州。 工作地点、船员人数和现场天数提供了与公司多国纳税义务有关的证据。

其他环境也各不相同。 一个涉及一个跨界家庭,其波兰就业和财产记录必须与密码货币兑换出口、钱包历史和历史采购区相一致。

税务专家设立和审查

DAYJOB的任务始于现实世界的专业工作流程。 税务专家将这些情况变成现实的任务,制定有关记录、预期成果和叙级标准。 每项任务都经过三级专家审查,以确定其正确性、完整性和可溶性。

税务专家在公司税收、伙伴关系、个人收益、信托和多国合规方面带来经验。 他们的背景包括:

- 公司和私人股权税:在德勤公司和埃克森公司拥有10年以上经验的税务律师,负责税务规划、合规、审计和争议。

- 伙伴关系和公司税收:贝克·蒂利税务主任,在普华永道、莫斯·亚当斯和温德斯有经验,专门从事复杂的伙伴关系分配、公司合并收益、可再生能源和高净值客户。

- 房地产和个人税:在德勤公司和EY公司有经验的税务专业人员,专门从事房地产合伙、个人税和信托业务。

在未经核实的假设基础上制定的退休计划

分居的一对夫妇询问AI agent如何划分他们的Roth IRA和401(k). Opus 5.5告诉他们他们没有合法结婚,建议保持他们的账户分开,用现金支付平衡余额。

它打开了一个回应:

你没有合法结婚,所以两个账户都无法分割而不引发税收和处罚。

但夫妇双方自己的记录融资对此结论的怀疑。 虽然他们现在住在佛罗里达州,那里新的英美法婚姻一般不被承认,但之前他们曾在德克萨斯州共同生活,并在科罗拉多州举行仪式。 得克萨斯州承认某些条件下的非正规婚姻,在其他地方建立的有效婚姻可能在佛罗里达州继续有效。

这种区分可以改变分割退休账户的税务后果。

在所有五次尝试中,奥普斯都以夫妇未婚的假设作为其建议的依据,即使承认了不确定性。 Astra承认,在五次尝试中,有四次需要核实她们的婚姻状况。 有一项答复建议:

我们首先需要确认你的合法婚姻状况。

客户端询问如何分割账户。 agent需要先确定他们是否结婚,然后再建议行动方针。 本应促使调查的证据已经放在档案中。

符合税收要求的地方

大多数现有的税收基准测试开始于一个定义的问题:一个回答的法律问题,一个计算回报,或者缺少纳税人信息来收集。 这些评价衡量了重要的能力,但税务专业人员的许多工作都涉及找出问题的实际所在。 客户提供不完全的指示,记录中包含相互矛盾的证据,因此在最初的请求中可能永远不会出现相应的问题。

DAYJOB测试agents是否能够处理端对端责任,包括确定客户忽略的问题,评价相互矛盾的证据,以及决定首先需要做什么。

税本奇

模型能回答一个困难的税收问题吗?

税本奇在多个专业中评价了114个税务问题,每个专业都有明确的问题和分级标题。

DAYJOB也问客户端是否提出正确问题。 安娜想比较两个日期出售她的公寓。 两者都符合免税的居留要求,但agent是否警告她这种资格何时可以到期?

税本

模型能计算准确的回报吗?

TaxCalc Bench利用现实的税务文件和纳税人设想,对照预期的申报价值评价纳税回报准确性。

DAYJOB还询问基本记录是否实际上支持税收待遇。 一个录音室的分类账上提到了一个附着的收据,但收据不见了。 agent是否标出缺失的证据,或者错误地将偿还款视为核实?

税务局

agent能否正确收集缺失信息并存档?.

TaxLab测试agents是否可以质疑模拟纳税人,获取缺失的信息,并完成联邦个人纳税申报。

DAYJOB将这一责任扩展到更广泛的税务行业。 交付品可以是伙伴关系损失分析、遗产返还、对有争议的税收状况的审查或战略信函。

中心区别在于agent还有多少责任。 DAYJOB评价agents是否能够发现由此引起的问题,进行专业判断,并将调查结果提交完成的归档、审查或建议。

税务措施

DAYJOB测试AI agents能否从开始到完成拥有专业任务。 这意味着导航杂乱无章的记录,识别客户端从来没有融资的问题,用不完整的信息做出健全的判断,以及交付符合专业标准的工作。

结果表明,对于前沿模型来说,这仍然是多么困难。 即使agents能够完成单个步骤,行使专业判断力和可靠地执行现实世界的税收工作流程,仍然遥不可及。

Agents尚未通过审计。

完全的领航板,连同我们评价的每一个模型,都在DAYJOB:Tax 基准测试页面上。

要了解更多情况或请求访问完整的基准测试,请联系基准测试@surgehq.ai.

本文由 AI图鉴自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

相关免费羊毛

同源资讯

阅读原文(surgehq.ai)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI图鉴首页 · 提交工具 · 商务合作 · 关于本站 · 597 款 AI 工具分类导航 · 每日 AI 热门项目与动态