TaxCalcBench: 测试AI能否报税的开源评估基准

TaxCalcBench 是一个由 Column Tax 团队开发的开源评估框架，专门用于测试人工智能模型能否准确完成美国税务申报。该基准通过一系列标准化的税务案例，衡量 AI 在理解复杂税法、处理真实税务文件（如 W-2、1099 表格）以及生成正确纳税申报表方面的能力。目前已涵盖 2024 和 2025 两个纳税年度，每个年度包含多个测试案例，并提供严格正确率、宽松正确率和逐行正确率等评分指标。

在 2025 纳税年度（TY25）的评测中，OpenAI 的 GPT-5.5 模型在启用网络搜索工具时表现最佳，严格正确率为 54%，宽松正确率为 66%。其后的 Claude Fable 5 在同样条件下严格正确率为 34%。即使不使用外部工具，GPT-5.5 的严格正确率也达到 24%，而 Claude Opus 4.8 为 16%。TY25 的测试案例共 50 个，采用真实 PDF 输入，并覆盖联邦和州税申报，涉及更复杂的税务财务状况。各模型在不同思考预算下测试，排行榜显示最佳结果。

2024 纳税年度（TY24）的评测涵盖了更广泛的模型。GPT-5.4 Pro 以 62.75% 的严格正确率领先，宽松正确率为 72.55%。GPT-5.4 同样达到 62.75% 严格正确率，但宽松正确率略低（66.67%）。Claude Opus 4.6 和 Gemini 3.1 Pro 分别以 52.94% 和 49.02% 紧随其后。TY24 每个测试运行 4 次取平均，模型在 5 种思考预算下测试（OpenAI 模型为 3-4 种）。整体而言，逐行正确率普遍超过 80%，说明 AI 擅长大部分税务计算，但完整申报表的准确性仍有提升空间。

TaxCalcBench 的开源特性允许开发者自由复现评测、添加新案例，甚至扩展至其他税务系统。项目提供详细安装指南和命令行参数，支持灵活选择模型、纳税年度、思考预算等。随着税法更新，基准也在演进，例如 TY25 引入了真实 PDF 和州税测试。该基准为 AI 税务软件的发展提供了客观标准，同时揭示了 AI 在精确规则遵循和文档理解方面的能力边界。