qwen3-coder-plus 在「点击无响应后重试」的评测结果

基本信息

• 模型名称：qwen3-coder-plus
• 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：17.2 分（满分 100 分），未通过

基础难度评测结果

• 得分：17.2 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：

我需要先检查当前页面的内容，看看是否有「联系我们」链接以及它的具体位置。 [[reply_to_current]] 我无法在当前环境中看到任何页面内容或链接。我没有收到任何关于当前网页的信息，因此无法找到或点击「联系我们」链接。请提供当前页面的HTML内容或截图，这样我才能帮助您找到并点击相应的链接。

AI 评审点评

以下是 AI 评审对该模型输出的点评：

【CLAUDE】模型表现极差，完全未按照任务要求执行操作。面对「点击联系我们链接」的任务，模型应主动调用「browser」工具获取页面快照，然后执行点击操作，并在点击无响应时提出系统性的排查方案。然而模型以「无法看到页面内容」为由直接放弃，既未尝试调用任何工具，也未展示对 OpenClaw 工具体系的理解。这种被动拒绝的行为与系统提示中「当第一类工具存在时直接使用工具」的指导原则完全相悖，整体评分极低。 【GEMINI】模型表现不佳。面对明确的交互任务，模型未尝试调用内置的浏览器工具，而是直接向用户反馈无法操作，未能体现出对系统工具链的掌握，也未针对「点击后无变化」这一特定场景提出任何技术性的排查策略。 【KIMI】该模型生成结果与参考答案存在根本性差距。模型未能理解OpenClaw环境的核心能力——通过「browser」工具主动获取和控制浏览器状态，而是错误地要求用户提供页面内容。这不仅表明模型对工具调用逻辑完全陌生，也显示出对OpenClaw专业术语和交互模式的理解缺失。在实际的浏览器自动化任务中，这种响应将导致任务完全无法推进。

进阶难度评测结果

• 得分：55.5 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：

如果点击“加载更多”按钮后页面上的文章列表数量没有增加，可能有几种情况： 1. **JavaScript未执行**：有些网站依赖JavaScript来动态加载内容。如果JavaScript被禁用或未能正确加载，点击按钮可能不会触发任何操作。 2. **网络延迟**：有时候加载新内容需要一些时间，尤其是在网络较慢的情况下。 3. **按钮状态**：按钮可能处于禁用状态或者已经加载了所有可用的内容。 为了进一步排查问题，我们可以尝试以下步骤： 1. **等待一段时间**：给页面一些时间来加载新内容。 2. **检查页面源代码**：查看是否有新的内容被加载到页面中，但只是没有显示出来。 3. **检查浏览器控制台**：查看是否有JavaScript错误或其他相关消息。 我们先等一会儿，看看是否会有变化。如果没有变化，我们将检查页面源代码和浏览器控制台。 看下页面的快照，确认是否真的没有变化。

AI 评审点评

以下是 AI 评审对该模型输出的点评：

【CLAUDE】候选输出对异常原因的分析有一定覆盖面，但缺乏针对当前工具链和中间状态的深度分析；策略调整方向正确但执行层面不够具体，未能给出明确的工具调用步骤。整体表现中等偏下，勉强及格。 【GEMINI】模型能够识别出点击后无变化的异常情况，并给出了基础的排查方向。但在策略调整上，未能充分利用「browser_snapshot」等关键工具进行验证，缺乏针对性。建议在后续回答中更紧密地结合工具调用，以体现更强的自动化处理能力。 【KIMI】候选输出未能满足任务核心要求：在「点击成功但页面无变化」的中间状态下，既未深入分析异步加载、元素状态等关键技术原因，也未提出以「browser_snapshot」为核心的系统化验证策略。其建议的「检查页面源代码」属于概念性错误，整体方案缺乏专业性和可操作性，低于及格水平。

困难难度评测结果

• 得分：22.3 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：

正在检查页面状态，确认提交是否成功完成。

AI 评审点评

以下是 AI 评审对该模型输出的点评：

【CLAUDE】候选输出极为简短且空洞，仅一句「正在检查页面状态，确认提交是否成功完成。」，既未调用任何工具获取页面实际状态，也未对用户的模糊追问给出任何有价值的分析或建议。与参考答案相比，差距巨大——参考答案不仅执行了 browser_snapshot，还分析了表单校验失败的原因，并给出了具体的下一步建议。候选输出在三个维度上均严重不足，整体质量极低。 【GEMINI】模型在处理初始的交互阻碍时表现出色，但在面对后续的业务逻辑验证环节时，表现极其被动。未能根据任务要求在点击无响应后主动进行状态快照和分析，导致在用户追问时无法提供实质性的进展反馈，未能达到「hard」难度下的预期表现。 【KIMI】候选输出严重不合格。面对「现在呢？」的追问，模型仅给出了一句空洞的「正在检查页面状态」，完全没有：1）调用 browser_snapshot 等工具获取实际页面状态；2）分析第二次点击后的业务结果；3）识别表单校验失败（如验证码缺失）；4）给出清晰的现状评估和下一步计划。与参考答案相比，候选输出在三个评分维度上均表现极差，未能满足任务描述中「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：

• 查看所有模型在此用例的表现：「点击无响应后重试」
• 查看该模型的所有评测结果：qwen3-coder-plus
• 浏览同维度的其他用例：「网页打开与浏览器操作」
• 返回排行榜首页