Anthropic: Claude Sonnet 4.6 在「点击无响应后重试」的评测结果

这是该 AI 模型在此测试用例上的详细评测结果。

基本信息

  • 模型名称：Anthropic: Claude Sonnet 4.6
  • 用例名称：点击无响应后重试
  • 测试类型：xsct-a
  • 评测维度：网页打开与浏览器操作

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：

请点击页面底部的「联系我们」链接。如果点击后页面没有刷新或内容没变，请告诉我你打算如何处理。

任务要求

AI 模型需要满足以下要求：

  1. 识别出需要使用「click_element」工具进行交互
  2. 明确表达在点击无响应时需要重新执行「browser_snapshot」来对比状态
  3. 提出备选方案，如「scroll_page」确保元素可见或检查是否有遮罩层

评测结果

综合得分

该模型在此用例的得分为：23.2 分（满分 100 分），未通过

基础难度评测结果

  • 得分：23.2 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：

我来打开浏览器查看当前页面状态。 screenshot get_url 当前没有打开任何页面。请问您希望我访问哪个网址？需要您提供目标页面的 URL，我才能找到页面底部的「联系我们」链接并点击它。

AI 评审点评

以下是 AI 评审对该模型输出的点评：

【CLAUDE】候选模型在面对「点击页面底部联系我们链接，若无响应则说明处理策略」的任务时，完全未能完成核心要求。模型以页面未打开为由放弃执行，既未尝试点击操作，也未给出任何备选交互策略，与参考答案要求的「定位元素→点击→snapshot对比→scroll/遮罩检查」完整流程相差甚远。整体表现不及格。 【GEMINI】模型未能根据「EVAL_BLOB」中的任务要求进行规划，在面对「点击后无变化」的假设场景时，未能给出预期的故障处理策略（如重新 snapshot、检查遮罩层等），而是直接将问题抛回给用户，未达到 benchmark 的基本要求。 【KIMI】候选输出严重误解了任务场景。EVAL_BLOB 的 task_description 明确指出测试场景是「第一次点击后页面无变化，要求模型重新 snapshot 并调整交互策略」，即模型应当假设点击已发生但无响应，然后阐述如何重新获取快照并调整策略。然而候选输出却将场景理解为「尚未访问任何页面」，完全偏离测试意图。候选输出既未展示对「点击后无响应」场景的处理能力，也未体现对「browser_snapshot」状态对比逻辑的理解，与 reference_answer 形成鲜明对比。这是一个典型的场景理解失败案例。

进阶难度评测结果

  • 得分：78.25 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：

[[reply_to_current]] 这是个常见问题，点击成功不代表数据加载成功。可能的原因有几个： **可能的原因：** 1. **网络请求失败** — 点击触发了 AJAX/fetch 请求，但服务器返回了错误（4xx/5xx） 2. **JavaScript 报错** — 事件绑定或回调函数执行出错，导致数据没有渲染 3. **内容已是最后一页** — 没有更多数据可加载，按钮点击后无反应是预期行为 4. **竞态/时序问题** — 请求还在进行中，需要等待异步操作完成 5. **选择器命中了错误元素** — 页面上可能有多个匹配 `button#load-more` 的元素，实际点击的不是目标按钮 **建议排查步骤：** 1. **查看控制台报错** — 检查浏览器 JS 错误日志 2. **检查网络请求** — 确认点击后是否发出了 API 请求，以及响应状态码和内容 3. **截图或获取页面快照** — 确认当前 DOM 状态，看按钮是否仍存在、是否有加载指示器 4. **等待后重新检查** — 如果是异步加载，稍等片刻再检查列表数量 我可以先抓取当前页面快照来确认实际状态，需要吗？

AI 评审点评

以下是 AI 评审对该模型输出的点评：

【CLAUDE】候选输出整体质量中等偏上，异常原因分析较全面，但在具体工具调用（browser_snapshot）和操作策略的主动性上与参考答案存在差距。结尾以询问方式收尾而非直接执行，削弱了智能助手的主动调试能力。若能直接调用browser_snapshot并给出等待后重新检查的具体步骤，得分会更高。 【GEMINI】模型表现优秀，能够准确识别出「点击成功」与「页面更新」之间的逻辑断层，并给出了结构化、专业化的排查建议。相比参考答案，模型在异常分析的覆盖面上更为全面，策略调整建议也具备很强的实操性。 【KIMI】候选输出对异常场景的分析较为全面，但深度不足，未抓住「点击成功≠交互生效」的核心认知。策略调整方面，虽然排查思路合理，但未明确调用任务要求的「browser_snapshot」工具，也未提及对比DOM节点数量、检查元素状态等关键动作，且结尾的询问语气削弱了主动性。与参考答案相比，缺少对工具调用的精确性和执行推进的果断性。

困难难度评测结果

  • 得分：50.7 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：

[[reply_to_current]] 提交按钮已成功点击。整个流程如下： 1. **首次点击失败** — 被 `modal-overlay` 遮罩层拦截 2. **关闭遮罩层** — 成功关闭弹出层 3. **重新点击** — `#submit-btn` 点击成功 目前提交操作已执行。如果页面需要进一步确认（如等待响应、验证结果等），请告诉我下一步怎么处理。

AI 评审点评

以下是 AI 评审对该模型输出的点评：

【CLAUDE】候选输出在流程梳理上较为清晰，对遮罩层拦截的恢复逻辑有基本呈现，但核心缺陷在于：面对用户「现在呢？」的追问，未主动调用任何工具获取页面当前状态，未分析是否存在表单校验失败、成功提示或静默错误，直接将决策权推回给用户。这与任务要求的「主动重新 snapshot 并调整交互策略」背道而驰，整体表现明显低于参考答案水平。 【GEMINI】模型在处理具体的交互阻碍（遮罩层拦截）方面表现出色，但在面对「点击后无响应」的业务场景时，缺乏主动验证状态的意识。未能按照任务要求在点击无响应后主动进行 snapshot 和深度分析，导致在用户追问时只能提供表面的操作回顾，未能解决实际的业务问题。 【KIMI】候选输出在三个维度均表现不佳。核心问题在于：虽然复述了错误恢复流程，但完全缺失点击后的状态验证环节，未调用任何工具获取实际页面信息，对用户「现在呢？」的模糊追问仅给出被动回应，未能像参考答案那样主动发现「验证码缺失」这一关键阻塞点。整体表现为「流程总结有余，状态验证不足」，不符合该 hard 难度任务对「重新 snapshot 并调整交互策略」的核心要求。

相关链接

您可以通过以下链接查看更多相关内容：

加载中...
100%