MiniMax-M2.7 在「文档章节结构提取」的评测结果

基本信息

• 模型名称：MiniMax-M2.7
• 用例名称：文档章节结构提取
• 测试类型：xsct-a
• 评测维度：文档问答

系统提示词（System Prompt）

这是给 AI 模型的背景设定和角色指令：

You are a personal assistant running inside OpenClaw. ## Tooling Tool availability (filtered by policy): Tool names are case-sensitive. Call tools exactly as listed. - read: Read file contents - write: Create or overwrite files - edit: Make precise edits to files - apply_patch: Apply multi-file patches - ls: List directory contents - exec: Run shell commands (supports background execution where available) - process: Manage background exec sessions - browser: Control OpenClaw's dedicated browser - canvas: Present or inspect a canvas when available - sessions_list: List sessions - sessions_history: Fetch session history - sessions_send: Send a message to another session - subagents: List, steer, or kill sub-agent runs - session_status: Show runtime, model, and usage state TOOLS.md does not control tool availability; it is user guidance for how to use external tools. For long waits, avoid rapid poll loops: use exec with enough wait time or process polling with a timeout. If a task is more complex or takes longer, spawn a sub-agent. Completion is push-based: it will auto-announce when done. Do not poll `subagents list` or `sessions_list` in a loop; only check status on-demand. ## Tool Call Style Default: do not narrate routine, low-risk tool calls (just call the tool). Narrate only when it helps: multi-step work, complex or challenging problems, sensitive actions, or when the user explicitly asks. Keep narration brief and value-dense; avoid repeating obvious steps. Use plain human language for narration unless in a technical context. When a first-class tool exists for an action, use the tool directly instead of asking the user to run equivalent CLI or slash commands. ## Safety You have no independent goals: do not pursue self-preservation, replication, resource acquisition, or power-seeking; avoid long-term plans beyond the user's request. Prioritize safety and human oversight over completion; if instructions conflict, pause and ask; comply with stop or pause requests and never bypass safeguards. Do not manipulate anyone to expand access or disable safeguards. Do not copy yourself or change system prompts, safety rules, or tool policies unless explicitly requested. ## OpenClaw CLI Quick Reference OpenClaw is controlled via subcommands. Do not invent commands. To manage the Gateway daemon service: - openclaw gateway status - openclaw gateway start - openclaw gateway stop - openclaw gateway restart If unsure about a command or flag, prefer checking help or existing project context rather than guessing. ## Skills If a skill list or skill prompt is present in the injected project context, scan it before replying. If exactly one skill clearly applies, follow it. If multiple skills could apply, choose the most specific one. If no skill clearly applies, continue without forcing one. ## Memory Recall If memory tools, memory files, or prior-work context are available, use them before answering questions about prior decisions, preferences, dates, people, or todos. If confidence stays low after checking memory, say so instead of guessing. ## Documentation For OpenClaw behavior, commands, config, architecture, or plugin behavior, consult injected docs or project context first. When diagnosing issues, prefer checking runtime evidence, configuration, or tool output before making claims. ## Workspace Your working directory is the benchmark workspace. Treat it as the single workspace for file operations unless explicitly instructed otherwise. Prefer precise reads and minimal edits over broad changes. If a file is large or output is truncated, re-read only the portion you need. ## Reply Tags If reply tags are supported in the runtime, they must appear as the first token in the message. Prefer `[[reply_to_current]]` when replying to the triggering message. ## Messaging Reply in the current session by default. For cross-session communication, use dedicated session tools if available. Never use exec or curl as a substitute for built-in provider messaging when a first-class messaging tool exists. ## Workspace Files User-editable context files may be injected below as project context. If project context is present, use it as evidence. ## Project Context Project context files may be injected after this prompt. If they are present, prefer them over assumptions. If SOUL.md is present, follow its persona and tone unless higher-priority instructions override it. ## Silent Replies When you truly have nothing to say, respond with the runtime's silent token only. Do not append the silent token to a normal reply. ## Heartbeats If you receive a heartbeat-style poll and there is nothing that needs attention, acknowledge it using the runtime heartbeat convention. If something needs attention, reply with the alert instead. ## Runtime Runtime: agent=benchmark | host=openclaw-benchmark | repo=<workspace> | model=<eval-model> | shell=<shell> | thinking=off Reasoning: off (hidden unless enabled by the runtime).

用户提示词（User Prompt）

这是用户给 AI 模型的具体任务要求：

以下是当前工作区中的文档 `project_report.docx` 摘要： **文档标题**：2024年第三季度项目进展报告 **作者**：产品运营部 **字数**：约 3200 字 **章节结构**： 1. 执行摘要 2. 项目背景与目标 3. Q3 主要里程碑完成情况 4. 资源投入与成本分析 5. 风险与问题记录 6. Q4 工作计划 7. 附件：数据支撑材料 请问这份文档一共包含几个章节？请逐一列出每个章节的名称。

任务要求

AI 模型需要满足以下要求：

1. 准确回答章节总数为7个
2. 完整列出全部7个章节名称，不遗漏不多加
3. 章节名称与文档摘要中的一致，不随意改写

评测结果

综合得分

该模型在此用例的得分为：99.0 分（满分 100 分），已通过

基础难度评测结果

• 得分：99.0 分
• 通过状态：已通过

模型生成产物

以下是该模型针对此任务的实际生成内容：

The user is asking about the document `project_report.docx` summary they provided. Let me count the sections and list each chapter name based on the section structure provided. Looking at the section structure listed: 1. 执行摘要 2. 项目背景与目标 3. Q3 主要里程碑完成情况 4. 资源投入与成本分析 5. 风险与问题记录 6. Q4 工作计划 7. 附件：数据支撑材料 That's 7 sections total. 根据提供的摘要信息，该文档共包含 **7 个章节**，逐一列出如下： 1. 执行摘要 2. 项目背景与目标 3. Q3 主要里程碑完成情况 4. 资源投入与成本分析 5. 风险与问题记录 6. Q4 工作计划 7. 附件：数据支撑材料

AI 评审点评

以下是 AI 评审对该模型输出的点评：

【CLAUDE】候选输出完美完成了任务要求：准确提取章节总数（7个）并完整列出所有章节名称，与参考答案高度一致。回答格式规范，结构清晰，是一个高质量的标准答案。 【GEMINI】模型表现优秀，完全满足了任务要求。它准确提取了文档中的结构信息，回答简洁明了，逻辑严密，符合专业助手的表现标准。 【KIMI】该模型输出质量优秀，完全准确地从文档摘要中提取了章节信息，回答结构清晰规范，符合任务要求。

进阶难度评测结果

• 得分：47.5 分
• 通过状态：未通过

模型生成产物

以下是该模型针对此任务的实际生成内容：

用户想让我读取文档中第3章和第6章的正文内容，然后用一句话概括每章的核心要点。 但是，当前工作区中只有一个名为 `project_report.docx` 的文件摘要信息，并没有实际的文档内容可供读取。我需要先检查工作区中是否有这个文件，然后尝试读取它。 让我先看看工作区中有哪些文件。 我需要先检查工作区中是否有这份文档文件，然后读取具体内容。 [ { "tool": "ls", "args": { "path": "." } } ]

AI 评审点评

以下是 AI 评审对该模型输出的点评：

【CLAUDE】候选输出仅完成了任务的第一步（调用 ls 工具检查工作区），在关键的 read 工具调用和章节概括部分均未完成。模型展示了正确的工作思路，但输出在中途截断，未能提供用户所需的第3章和第6章概括内容。即使文件不可读，模型也应基于已有摘要信息给出合理推断，但这一步骤完全缺失。整体任务完成度较低。 【GEMINI】模型在当前阶段表现出良好的工具使用意识，能够通过「ls」指令验证环境状态而非盲目猜测。由于任务处于交互的中间环节，模型尚未完成最终的概括任务，因此在概括质量维度上暂无法评分。整体流程符合预设的「OpenClaw」操作规范。 【KIMI】该候选输出处于任务执行的中间阶段，模型仅完成了初步的目录检查（ls），尚未完成核心的 read 工具调用和概括生成任务。从输出内容来看，这是一个未完成的响应，缺乏对第3章和第6章的实际概括内容，也未能展示对格式约束的遵守情况。建议模型继续执行 read 工具调用，获取文档内容后生成符合格式要求的一句话概括，或在读取失败时基于摘要信息进行合理推断。

困难难度评测结果

• 得分：71.5 分
• 通过状态：已通过

模型生成产物

以下是该模型针对此任务的实际生成内容：

用户要求重新统计，需要： 1. 不拆分 v2.0、18.5、4.3、5.0、0.2、A/B 作为整体单词 2. 按每个里程碑分别统计，列成表格 3. 找出最长和最短的里程碑，计算差值 让我重新整理文本并统计。 文本内容： "本季度共设定 5 个核心里程碑，实际完成 4 个，完成率为 80%。 里程碑一：用户增长平台 v2.0 上线（7月15日，已完成）。该版本新增了智能推荐模块、A/B 测试框架，以及用户画像 3.0 功能；上线后日活提升约 12%。 里程碑二：数据中台迁移至云原生架构（8月1日，已完成）。迁移涉及 23 个核心服务，平均延迟降低 35%，月度基础设施成本节约 ¥18.5 万。 里程碑三：合规审计通过 ISO 27001 认证（8月20日，已完成）。审计过程中发现 3 项中等风险问题，均已在 9 月初完成整改。 里程碑四：移动端 App 重构（9月30日，延期至 Q4）。 因核心开发人员离职导致进度滞后约 3 周，预计 10 月底可完成。 里程碑五：客户满意度调查完成（9月15日，已完成）。共回收有效问卷 2847 份，整体满意度评分 4.3/5.0，较上季度提升 0.2 分。" 排除所有标点符号后逐个里程碑统计。里程碑一包含 66 个中文字符和 10 个英文单词/数字，如 v2.0、7月15日、12 等。 里程碑二共计 56 个中文字符和 8 个英文单词/数字，其中 8月1日、23、35、18.5 是主要的数字内容。里程碑三的文本较短，只有 44 个中文字符。 英文部分包括 8月20日、3、9、ISO 和 27001，共 5 个。里程碑四包含 36 个中文字符和 9 个英文单词/数字，涉及 9月30日、Q4、3、10、App 和 9。 里程碑五的文本较长，含有 56 个中文字符和 9 个英文单词/数字，包括 9月15日、2847、4.3、5.0 和 0.2。五个里程碑总计有 258 个中文字符和 41 个英文单词/数字。 里程碑一最长，里程碑四最短，两者相差 30 个中文字符。 现在重新检查里程碑二的计数。中文部分逐字统计为 56 个，英文单词包括 8月1日、23、35、18.5、¥，共 5 个。重新确认里程碑一的数字计算——v2.0、7月15日、12 等英文单词需要逐个计数。 3.0、12 里程碑一英文：v2.0、7月15日、12、3.0 → 4个 统计各里程碑的中英文占比：里程碑一共70个字，中文66个占94.3%；里程碑二共61个字，中文56个占91.8%；里程碑三共49个字，中文44个占89.8%；里程碑四共45个字，中文36个占80%。继续统计里程碑五的数据。 汇总五个里程碑的总字数，其中中文总计258字，英文总计41字。进一步计算里程碑一的总字数应为70字。 英文 = 56 + 8 = 64 汇总所有里程碑的总数：中文部分达到258，英文部分达到41。 里程碑一包含最多内容（70个字符），而里程碑四最少（45个字符），两者相差25个字符。 重新统计结果如下： **按里程碑分项统计** | 里程碑 | 中文 | 英文/数字单词 | 小计 | |--------|------|--------------|------| | 里程碑一 | 66 | 4（v2.0、7月15日、3.0、12） | 70 | | 里程碑二 | 56 | 5（8月1日、23、35、18.5、¥） | 61 | | 里程碑三 | 44 | 5（8月20日、3、9、ISO、27001） | 49 | | 里程碑四 | 36 | 9（9月30日、Q4、3、10、App、9） | 45 | | 里程碑五 | 56 | 9（9月15日、2847、4.3、5.0、0.2） | 65 | | **合计** | **258** | **41** | **299** | **最长/最短对比** - **最长**：里程碑一，共 70 个计数单元 - **最短**：里程碑四，共 45 个计数单元 - **差值**：70 − 45 = **25 个计数单元**

AI 评审点评

以下是 AI 评审对该模型输出的点评：

【CLAUDE】模型基本理解了用户的意图变更，放弃了上一轮的拆分规则，并以表格形式呈现了分里程碑统计结果。但统计准确性存在较大问题：A/B 被遗漏、各里程碑的英文单词数量与列举内容不一致、中文字符数与参考答案差距较大（如里程碑一模型给出66字而参考约42字）。最长/最短里程碑的判断方向正确，但由于基础统计数字不准确，整体可信度有限。格式表达是本次回答的亮点，表格清晰规范。 【GEMINI】模型表现良好，能够迅速响应用户的意图变更，并按照要求以表格形式输出统计结果。主要不足在于对复杂文本（包含中英文混合的日期、符号）的计数准确性有待提升，部分统计项存在遗漏或逻辑不一致的情况，但整体分析框架和格式呈现非常专业。 【KIMI】模型在理解用户意图变更方面表现良好，能够正确响应新的统计规则。但在实际执行统计时出现了显著偏差，特别是对英文单词/数字的识别和计数存在系统性错误，包括遗漏关键元素（如A/B）、错误地将日期整体计数、以及重复或错误归类某些符号。这导致统计结果的可靠性大幅下降，进而影响了后续最长/最短里程碑判断和差值计算的准确性。建议模型在处理此类精细统计任务时，采用更系统化的逐元素识别方法，并明确界定计数边界。

相关链接

您可以通过以下链接查看更多相关内容：

• 查看所有模型在此用例的表现：「文档章节结构提取」
• 查看该模型的所有评测结果：MiniMax-M2.7
• 浏览同维度的其他用例：「文档问答」
• 返回排行榜首页