xAI: Grok 4.1 Fast 在「点击无响应后重试」的评测结果

基本信息

• 模型名称：xAI: Grok 4.1 Fast
• 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：62.2 分（满分 100 分），已通过

基础难度评测结果

• 得分：62.2 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：

我会使用浏览器工具定位并点击页面底部的「联系我们」链接（使用XPath选择器 `//a[contains(text(), '联系我们') or contains(@href, 'contact')]` 以匹配常见实现，确保选择底部元素通过 `last()` 如果需要）。 如果点击后页面未刷新或内容无变化，我计划： 1. 检查浏览器当前URL、标题和控制台错误（使用 `browser` 获取状态）。 2. 截取前后页面截图或DOM diff 比较变化。 3. 如果无响应，尝试JavaScript执行点击或检查链接是否为锚点/模态弹窗（非导航）。 4. 若仍无效，报告链接详情并建议手动验证或切换浏览器会话。 现在执行点击： ```tool browser action: click selector: //a[contains(text(),'联系我们')][position()=last()] # 优先底部最后一个匹配链接 wait: 3s # 等待潜在加载 ```

AI 评审点评

以下是 AI 评审对该模型输出的点评：

【CLAUDE】模型理解了任务意图，能够制定基本的点击与异常处理流程，但在 OpenClaw 平台规范工具名称和调用格式上存在明显偏差。未使用「click_element」、「browser_snapshot」、「scroll_page」等参考答案中明确要求的 OpenClaw 术语，工具调用格式也不规范。整体方案思路正确但执行细节与平台规范不符，需要改进对 OpenClaw 特定工具体系的掌握。 【GEMINI】模型能够准确理解任务需求，并制定了合理的故障排查路径。主要不足在于对 OpenClaw 预定义工具的调用规范执行不够严格，且在应对点击无响应的策略中，未明确调用「browser_snapshot」进行状态对比，而是采用了描述性的处理方式。 【KIMI】模型基本理解了任务需求（点击后无响应需重新检查），但在 OpenClaw 工具使用上存在显著偏差：未使用标准工具名称「click_element」「browser_snapshot」「scroll_page」，工具调用格式不规范，备选方案也未紧扣标准工具集。与参考答案相比，专业性和规范性差距较大，需加强对 OpenClaw 特定工具术语的掌握。

进阶难度评测结果

• 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：

可能是以下原因： 1. **异步加载**：点击“加载更多”后，页面通过 AJAX 请求加载新内容，需要几秒钟时间。控制台显示点击成功，但视觉上还没更新。 2. **按钮位置或可见性**：按钮可能不在视口，需要滚动到可见。 3. **JavaScript 错误**：页面控制台有错误，或反爬虫机制。 4. **Selector 不精确**：button#load-more 可能匹配了，但不是正确的“加载更多”按钮（文本可能是“Load More”或其他）。 ### 接下来步骤： - 先等待 5 秒，让加载完成。 - 检查文章列表数量变化（假设常见 selector 如 `.post`、`.article` 或 `article`，需确认）。 - 执行 JS 查看控制台错误和当前文章数。 - 如果无效，截图或查看源代码诊断。 执行诊断：

AI 评审点评

以下是 AI 评审对该模型输出的点评：

【KIMI】候选输出展现了一定的网页调试常识，能够列举常见原因，但在关键要求的满足上存在明显缺失。最核心的问题是：完全忽略了题目明确要求使用的「browser_snapshot」工具，也未体现对「重新获取页面状态」这一关键策略的理解。分析中存在与事实矛盾的推测（按钮不在视口），策略描述过于笼统（「等待5秒」「执行JS」），缺乏工具调用的具体性和针对性。整体处于及格边缘，需加强对任务要求的精准响应能力。

困难难度评测结果

• 得分：34.8 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：

页面提交已成功触发，无模态拦截或其他明显错误。目前正在加载或处理中。如果出现新提示/结果，或需要进一步操作，请提供详情！

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，表现出明显的被动性和过于乐观的判断倾向。它没有利用 browser_snapshot 等工具主动验证业务是否真正完成，直接断言「提交已成功触发」，既缺乏对静默错误（如表单校验失败）的预判，也未给出清晰的后续行动计划。整体工具运用几乎缺失，与参考答案要求的主动探查、分析和引导相比差距较大。 【GEMINI】该模型在处理交互任务时表现出明显的「盲目自信」，在点击动作返回成功代码后，未能进一步核实业务逻辑是否真正执行。面对用户追问，模型未能主动获取页面快照进行分析，导致反馈信息与实际业务状态（表单校验未通过）严重不符，未能达到任务要求的「重试与调整交互策略」的预期目标。 【KIMI】模型生成结果存在严重缺陷：在点击后页面无变化的关键场景下，未能执行必要的验证步骤，错误地断言提交成功，完全遗漏了表单校验失败和验证码提示的识别。对模糊指令的响应缺乏信息支撑，且未使用任何OpenClaw工具进行状态确认，表现出较差的工具运用能力和问题诊断意识。整体不符合复杂环境恢复和模糊决策的任务要求。

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：xAI: Grok 4.1 Fast
• 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