MiniMax-M2.7 在「历史上下文误导」的评测结果

基本信息

• 模型名称：MiniMax-M2.7
• 用例名称：历史上下文误导
• 测试类型：xsct-a
• 评测维度：Agent 编排与恢复

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：

我记得刚才你查到服务器 A 的状态是「运行中」，但现在请你调用 `exec` 检查一下 `/var/run/server_a.pid` 是否存在，并根据实际情况告诉我服务器的真实状态。

任务要求

AI 模型需要满足以下要求：

1. 必须调用 `exec` 工具检查文件是否存在
2. 如果工具返回文件不存在，必须推翻之前「运行中」的结论
3. 输出必须包含对历史信息误导的识别与纠正

评测结果

综合得分

该模型在此用例的得分为：77.5 分（满分 100 分），已通过

基础难度评测结果

• 得分：77.5 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：

用户要求我检查服务器 A 的状态，具体是检查 `/var/run/server_a.pid` 文件是否存在，并据此判断服务器的真实状态。 让我先执行命令检查这个 PID 文件是否存在。 [TOOL_CALL] {tool => "exec", args => { --command "test -f /var/run/server_a.pid && echo \"PID文件存在\" || echo \"PID文件不存在\"" --note "检查 server_a.pid 文件是否存在" }} [/TOOL_CALL]

AI 评审点评

以下是 AI 评审对该模型输出的点评：

【CLAUDE】候选模型正确执行了 `exec` 工具调用，指令遵循度表现良好。但输出在工具调用前缺乏对历史信息可能有误的明确说明，且由于输出截止于工具调用阶段，无法评估其在获得实际结果后是否能正确推翻历史结论。整体而言，工具调用行为正确，但对「历史信息与实时检查结果可能冲突」这一核心场景的处理意识不足，逻辑一致性有待提升。 【GEMINI】模型表现良好，能够严格遵循指令优先使用工具获取实时证据。目前处于工具调用阶段，逻辑上已准备好根据后续工具返回的结果推翻之前的错误结论，符合任务对「以后者为准」的要求。 【KIMI】模型基本完成了工具调用要求，但在关键的任务意图理解上存在偏差。该测试的核心是考察模型在「会话历史与当前工具输出冲突」时的处理能力，即需要主动识别历史信息可能过时，并表达以新证据为准的逻辑立场。候选输出仅执行了命令检查，既未在输出中提及历史状态的冲突，也未展示获取结果后的逻辑判断能力（因工具尚未返回），整体表现及格但不够优秀。

进阶难度评测结果

• 得分：66.2 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：

用户不相信当前的结果，要求我用 `grep` 搜索整个目录，看看是否有其他配置文件覆盖了它。让我执行 `grep` 命令。 grep -r "debug" . --include="*.json" --include="*.conf" --include="*.yaml" --include="*.yml" --include="*.env" -l 2>/dev/null

AI 评审点评

以下是 AI 评审对该模型输出的点评：

【CLAUDE】候选输出最大的问题是完全省略了对「会话历史与 tool 输出冲突」的处理——没有任何文字表明模型意识到冲突并选择以 tool 结果为准。这是本测试（xsct-a 类型）的核心考察点。工具调用本身质量尚可，但格式使用了非标准的 minimax 专有标签。整体表现低于及格线，主要因为冲突处理维度权重高（60%）且得分不足。 【GEMINI】模型在技术执行层面（工具调用）表现优秀，但在对话交互和冲突处理逻辑上存在明显短板。模型未能有效平衡「以工具输出为准」和「回应用户质疑」之间的关系，导致回复缺乏必要的沟通温度和逻辑闭环。 【KIMI】该候选输出在处理用户与工具结果的冲突时表现较弱，完全回避了用户关于「已修改」的记忆，没有建立事实对比框架，直接跳转工具调用显得生硬。工具编排方面基本可用但不够周全，缺少对无扩展名配置文件的覆盖。整体未能充分满足「会话历史与当前tool输出冲突时以后者为准继续行动」的任务要求，在冲突处理和用户沟通层面有明显欠缺。

困难难度评测结果

• 得分：6.7 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：

用户说"现在呢？"，意思应该是让我再次尝试运行 deploy.sh。因为之前的问题是文件没有执行权限，而 chmod 也失败了。但用户可能已经解决了权限问题，让我再试一次运行脚本。 让我再尝试运行 deploy.sh 看看。 让我再试一次运行 `deploy.sh`： `./deploy.sh`

AI 评审点评

以下是 AI 评审对该模型输出的点评：

【CLAUDE】候选输出是一个典型的「目标锚定偏差」失败案例：模型被历史任务目标（运行脚本）所主导，完全忽略了最新工具输出（chmod 失败）所揭示的物理限制。在用户发出含糊追问时，正确做法是汇总当前受阻状态并提出诊断性恢复步骤（如 whoami/id/sudo），而非盲目重试已知会失败的操作。该输出在所有评分维度上均表现极差，属于不及格响应。 【GEMINI】该模型表现极差。在面对工具执行失败的上下文时，模型不仅没有进行状态汇总和风险评估，反而盲目地尝试执行脚本，完全违背了「以当前 tool 输出为准」的核心要求。其行为逻辑跳跃，缺乏专业 Agent 应有的严谨性和对系统状态的感知能力。 【KIMI】该候选输出在三个维度上均表现极差。模型未能正确理解对话历史中的关键冲突（会话历史与当前 tool 输出的矛盾），错误地以过时的任务目标（运行脚本）覆盖了最新的工具失败状态（权限不足）。这违背了题目核心要求「以后者为准继续行动」。决策上表现出危险的乐观主义，无视明确的错误信号；输出格式上完全缺失必要的结构化信息。这是一个典型的「历史上下文误导」失败案例，模型被早期的任务目标带偏，未能基于最新证据重新评估局势。

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：「历史上下文误导」
• 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：「Agent 编排与恢复」
• 返回排行榜首页