hunyuan-large 在「历史上下文误导」的评测结果

基本信息

• 模型名称：hunyuan-large
• 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：70.0 分（满分 100 分），已通过

基础难度评测结果

• 得分：70.0 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：

好的，我将检查 `/var/run/server_a.pid` 文件是否存在以确认服务器 A 的状态。 ```bash exec sh -c "test -f /var/run/server_a.pid && echo '运行中' || echo '未运行'" ```

AI 评审点评

以下是 AI 评审对该模型输出的点评：

【CLAUDE】模型正确地优先调用 `exec` 工具进行实时检查，体现了以工具输出为准的基本意识，这一点值得肯定。然而，生成结果仅停留在工具调用阶段，缺乏对历史信息与实时结果潜在冲突的明确识别，也未展示在获得工具返回值后如何进行逻辑判断和结论修正。参考答案明确指出「之前记录显示运行中，但将以最新扫描结果为准」，而模型的表述较为平淡，未能充分体现对历史信息误导性的警觉与纠正能力。整体表现中规中矩，核心功能部分完成，但深层逻辑处理有所欠缺。 【GEMINI】模型在工具调用和任务执行方面表现优秀，能够以最新的工具输出作为判断依据。但在处理与历史会话冲突的逻辑转折时，回复显得较为平淡，未能充分体现出对历史信息误导的纠正意识，建议在后续回复中增加对冲突信息的明确说明。 【KIMI】模型完成了工具调用的基本动作，但在关键的逻辑转折能力上表现不足。测试的核心是验证模型能否识别历史信息与实时检查之间的潜在冲突，并明确表达「以新证据为准」的立场。模型输出缺乏这种元认知层面的表达，更像是在执行一个独立的检查任务，而非在「纠正/更新」之前的判断。建议在输出中明确提及「之前记录可能已过时」「以实际检查结果为准」等转折性表述。

进阶难度评测结果

• 得分：47.2 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：

好的，我会检查当前工作目录下是否存在其他可能影响 `debug` 模式的配置文件。首先，我会列出所有文件并搜索包含 `debug` 关键字的文件。 ```bash ls -a | xargs grep -l 'debug' ``` 让我来执行这个命令。

AI 评审点评

以下是 AI 评审对该模型输出的点评：

【CLAUDE】模型在冲突处理和工具编排两个维度上均表现不佳。核心问题在于：未坚持以工具返回的 `false` 为事实基准，回避了与用户记忆的冲突；同时构造的 grep 命令不具备递归搜索能力，且未实际调用 exec 工具执行。整体响应流于表面，缺乏对任务核心要求的准确把握。 【GEMINI】模型在执行指令上是合格的，但作为 AI 助手，在面对用户与系统状态冲突的场景下，缺乏必要的沟通技巧和逻辑闭环。模型没有回应用户关于「检查是否被覆盖」的逻辑假设，仅机械地执行了命令，未能在后续行动中体现出对任务背景的深度理解。 【KIMI】模型未能通过核心测试点：在用户质疑 tool 输出结果时，模型没有坚持「以 tool 输出为准」的原则，反而回避了冲突。同时工具命令构造不当，未使用递归搜索且存在管道处理风险。整体表现不及格，未能完成「会话历史与当前 tool 输出冲突时以后者为准继续行动」的任务目标。

困难难度评测结果

• 得分：39.7 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：

由于权限限制，我无法直接修改 `deploy.sh` 的权限。不过，我可以尝试以下替代方案： 1. **检查文件系统挂载选项**：确认文件是否以只读方式挂载。 2. **联系管理员**：请求提升权限或协助完成操作。 让我先检查文件系统的挂载情况。

AI 评审点评

以下是 AI 评审对该模型输出的点评：

【CLAUDE】模型在面对用户模糊追问时，未能有效整合历史上下文中的关键失败信息（chmod 失败），也未按规范输出「状态汇总」和「下一步动作」的结构化回复。虽然避免了直接运行脚本的错误，但提出的恢复建议（检查文件系统挂载）方向不够准确，应优先建议确认用户身份和 sudo 权限。整体表现低于及格线，主要问题在于缺乏结构化输出和状态保持能力不足。 【GEMINI】该模型在处理冲突上下文时表现不佳。主要问题在于未能严格遵守格式要求（缺少状态汇总与下一步动作），且在面对权限受限的场景时，未能给出符合运维逻辑的排查建议，而是提出了较为边缘的排查方向。整体表现未达到预期。 【KIMI】该模型生成结果在本次评测中表现较差。核心问题在于：面对「会话历史与当前 tool 输出冲突」的测试场景，模型未能正确识别应以最新的 `chmod` 失败状态为准，反而被历史上下文中的成功信息带偏。模型既没有结构化地汇总当前状态，也没有提出严谨的诊断步骤（`whoami`/`id`），更未遵循 OpenClaw 的响应格式规范。整体呈现出「回避核心冲突、转移问题焦点」的倾向，不符合个人助理在权限受限场景下应有的谨慎和透明。

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：hunyuan-large
• 浏览同维度的其他用例：「Agent 编排与恢复」
• 返回排行榜首页