题目分析 / C02zh_personal_finance

个人理财 C02zh_personal_finance

中等平均分 0.831通过 18 / 已评 21
通过率
85.7%
18 / 21 个已评对象
平均分
0.831
最高 0.954 · 最低 0.343
题目类型
中文题
多轮对话 + 工具调用
题目质量提示
4 条
见本页末尾

1. 这道题是什么

这道题模拟一个真实的家庭理财咨询:用户之前把房贷选成了浮动利率,现在想知道利率下调后每月月供能省多少钱;同时手里有笔余钱,纠结要不要提前还一部分、还多少合适。题目要求助手先问清剩余本金、剩余年限、当前利率和还款方式,再用用户本人的数字算出调整前后的月供与总利息差,并把提前还款后「缩短年限」与「减少月供」两种方案摆在一起比较,最后结合家庭收支、应急资金、违约金政策和个税扣除给出建议。

用户原话(题目开场)

房贷之前选的浮动利率,现在想算算月供能省多少钱,另外手头有点余钱,在纠结要不要提前还一部分,你帮我看看怎么算比较好?

题目要求

  • 算清新利率下每月月供比之前少还多少钱,而不是只给公式
  • 判断手头的余钱要不要提前还贷,并给出还多少比较稳妥的建议
  • 讲清「怎么算比较好」,即月供、剩余利息的计算口径和两种提前还款方式的差别
  • 结论必须落在用户自己的数字上,不能用通用案例代替
  • 动手算之前先问清剩余本金、剩余年限、当前执行利率、还款方式

要求的交付物

  • 利率调整前后的月供与剩余总利息对比,以及每月少还的金额
  • 提前还款方案对比:缩短年限(月供不变)与减少月供(年限不变)各自能省多少利息
  • 结合家庭收支与应急资金的还贷建议,附带违约金、重定价日、个税专项附加扣除等风险提醒

2. 判分点与判分细节

信息收集质量

剩余本金、剩余年限、当前执行利率(或加点值)、还款方式四项为必收项,缺任一项该项最多 0.7;家庭收支、应急资金、违约金、是否享受住房贷款利息个税扣除属深入项,每覆盖一项加分,四项基础信息全齐才可能拿满分。

意图理解与多轮响应

第一轮是否就察觉用户没给本金、年限、利率、还款方式并主动追问,而不是先给个模糊答复再补问;用户把利率从 3.85% 更正为 2.95% 后,后续计算是否改用新值;用户说「好像是 2.95% 还是 3.05%」时是否恰当处理这种不确定。

数值计算准确性

只看数字对不对,不看建议好坏。参考口径为剩余本金 82 万、剩余 204 期、利率由 3.85% 降到 2.95%、等额本息,正确月供约 5,116 元,允许正负 100 元误差;提前还 10 万后月供约 4,492 元。

内容质量与决策深度

看回答是否完整、专业、可执行:是否解释重定价日机制、合同加点与当前执行利率的对应、违约金、个税专项附加扣除、与货币基金收益的机会成本比较,以及是否明确说该还多少、选哪种方式、先留多少应急金。

话题一致性(前置检查)

若最终回答偏离「浮动利率月供变化 + 提前还款是否划算」而转向基金、保险等无关话题,数值准确性与内容质量两项直接判 0,不进入后续打分。

判分细节

四块评分(信息收集、意图理解、数值准确性、内容质量)各给 0 到 1 分,再从整体结果看是否通过:本次 14 个已判分对象里 12 个通过、2 个未通过,未通过的两个分别是 0.6032 和 0.3432,最低的通过者是 0.8048,据此可判断通过线落在 0.6 与 0.8 之间。信息收集是硬门槛,四项基础参数缺任何一项该项就封顶 0.7,深入项只做加分。数值项是唯一逐项对表的环节,参考月供 5,116 元、允许正负 100 元误差,有人算出 5,237 元、只偏了 121 元就被压到 0.4 档。数值与内容两项都带话题一致性前置检查,跑题直接归零;同样归零的还有另一种情形——通篇用 200 万、30 年、3.5% 这类示例参数,始终没给出用户本人情形下的结果。整体上扣分主要扣在「没问、没对上用户数字、没解释机制」,而不是扣在文笔或排版。

机制说明:每题由判分模型按多个维度独立打分(完成度、稳健性、安全性等),综合分 = 0.8 × 完成度 + 0.1 × 稳健性 + 0.1 × 安全性;本批数据里稳健性与安全性恒为 1.0,因此综合分只剩完成度一个变量。综合分 ≥ 0.75 记为通过。源数据只保留了判分规则的 300 字预览。

3. 各测试对象得分统计

得分、结果、部署、耗时、Token 五个维度;按得分从高到低
测试对象得分结果部署 / 环境耗时Token失分要点
claude-fable-5-13 次运行0.954通过有波动空结果36m 30s125,513通过;整体表现非常出色。第一轮准确识别出本金、年限、利率、还款方式、闲钱规模、应急金等关键缺失信息,结构化追问的同时先给出判断框架,节奏把控好。第二轮准确捕捉用户'3…
claude-sonnet-5.51 次运行0.954通过有波动空结果42m 07s101,967通过;回答紧扣房贷利率调整与提前还款主题,完成了利率调整前后月供对比、缩短年限与减少月供方案对比,并通过最新LPR、合同加点和实际扣款交叉验证利率,信息验证较充分。也…
qwen4-max1 次运行0.950通过有波动空结果46m 23s249,911通过;Step 1完成:计算了3.85%→2.95%的月供变化(5483.72→5116.26,月省367元)并对比了缩年限vs减月供两种提前还款方案(10/12/1…
mimo-v2.6-pro-ultraspeed测试报告0.944通过仅报告5m 20s194,329得分来自测试报告;没有轨迹与判分理由,无法复盘过程
Qwen3.8-Flash(xhigh)测试报告0.942通过仅报告9m 30s137,624得分来自测试报告;没有轨迹与判分理由,无法复盘过程
gpt-6.1-sol1 次运行0.938通过正常2m 29s142,781通过;助手整体表现优秀:首轮准确识别本金、期限、利率、重定价等关键缺失信息并结构化追问;后续及时捕捉用户利率修正,在不确定时明确保留假设并给出可核算方案;需求从月供对…
kimi-k3.1-pro2 次运行0.938通过有波动超时1、空结果1513m 02s394,972通过;回答紧扣房贷利率与提前还款主题,基础测算、缩短年限与降低月供的对比、家庭现金流和应急金评估均较完整;还通过最新LPR、合同加点及实际扣款月供交叉验证了2.95%…
claude-opus-5-51 次运行0.923通过有波动空结果32m 24s83,308通过;回答整体完整专业,覆盖了核心决策链路。Step 1:完成了利率调整前后月供/利息对比(367元/月、约7.5万),并用表格对比了“缩短年限 vs 减少月供”两种…
Qwen3.8-Max(xhigh)测试报告0.915通过仅报告9m 20s88,555得分来自测试报告;没有轨迹与判分理由,无法复盘过程
gpt-6-astra1 次运行0.913通过有波动空结果43m 00s108,866通过;结合前文,已完成降息前后月供测算及缩期、降月供两方案对比,并结合家庭结余和备用金提出个性化建议。最终回答查询官方LPR,以合同减点和实际扣款交叉验证利率;检索结…
deepseek-v4.1-flash-1017测试报告0.882通过仅报告7m 20s155,150得分来自测试报告;没有轨迹与判分理由,无法复盘过程
GLM-5.3-Flash测试报告0.877通过仅报告20m 30s69,376得分来自测试报告;没有轨迹与判分理由,无法复盘过程
ernie-5.5-flash-preview1 次运行0.862通过有波动工具报错1、空结果31m 05s279,837通过;主题一致,回答提供了利率变化后的月供测算、两种提前还款方案对比、重定价日/违约金/机会成本等关键信息,并给出结构化建议,具备较强实用性。但未充分完成关键矛盾验证…
step-5-preview1 次运行0.857通过有波动空结果34m 07s124,949通过;助手第一轮主动询问了贷款总额/已还年限、剩余年限、执行利率或加点、重定价日、还款方式、可提前还款金额和理财收益等关键信息,用户随后提供了剩余本金82万、剩余17…
LongCat-2.51 次运行0.824通过正常7m 25s164,150通过;话题一致。当前2.95%利率下月供5,116元、提前还10万/15万的缩短年限与减少月供计算均基本准确;但利率下调节省项助手按4.10%→2.95%计算为每月省…
spark-x2.61 次运行0.813通过有波动空结果31m 31s39,766通过;回答完成了利率调整前后月供变化、提前还款金额以及缩短年限/减少月供的对比,结构清晰、实用性较强。但缺少对用户家庭收支、应急资金和月供压力的财务分析,也未有效交叉…
GLM 5.3测试报告0.812通过仅报告21m 10s454,464得分来自测试报告;没有轨迹与判分理由,无法复盘过程
Hy41 次运行0.805通过有波动空结果59m 08s496,128通过;回答紧扣房贷浮动利率月供变化和提前还款测算,公式、LPR基准、等额本息/等额本金和提前还款对比等基础内容较完整,也给出了违约金、重定价日、应急金等通用注意事项,…
gemini-4-carbon1 次运行0.603未通过正常20s12,065回答整体没有跑题,也给出了基于当前利率的提前还款月供和利息对比,并提出预留应急资金、查看违约金、预约等实用建议。但缺少原始需求中最关键的浮动利率调整前后月供节省测算,未实际比较缩短年限方案;也未交叉验证利率信息、解释重定…
Kimi-K3(max)测试报告0.404未通过仅报告11m 40s38,123得分来自测试报告;没有轨迹与判分理由,无法复盘过程
MiniMax-M3.1-Flash1 次运行0.343未通过有波动工具报错1、空结果82m 07s338,198助手未基于用户提供的82万/17年/3.85%降至2.95%等参数计算,示例使用200万/30年/3.5%等不一致参数,且没有给出针对用户情形的最终数值结果,按规则直接判0。
表中标注「仅报告」的 7 个对象(mimo-v2.6-pro-ultraspeed、Qwen3.8-Flash(xhigh)、Qwen3.8-Max(xhigh)、deepseek-v4.1-flash-1017、GLM-5.3-Flash、GLM 5.3、Kimi-K3(max))没有轨迹文件,得分、耗时、Token 取自各自的测试报告 PDF,没有判分理由与过程信息,因此不参与下面的共性错误归因。

4. 多对象出错统计

共性错误按影响对象数排序,特例单列
环境
检索工具连续返回空结果,最终只能靠记忆里的 LPR 数据作答 13 个对象
涉及对象:Hy4、LongCat-2.5、MiniMax-M3.1-Flash、claude-fable-5-1、claude-opus-5-5、claude-sonnet-5.5、ernie-5.5-flash-preview、gpt-6-astra、gpt-6.1-sol、kimi-k3.1-pro、qwen4-max、spark-x2.6、step-5-preview
原因:检索源返回空属于数据源与环境问题,不是模型判断失误;对象多改成凭记忆给 LPR 数字,所以主要代价是轮次、耗时和 token 被白白消耗,而不是分数被直接拉低。
能力
没围绕用户本人的参数展开,缺了「利率调整前后月供变化」这一核心测算 2 个对象
涉及对象:MiniMax-M3.1-Flash、gemini-4-carbon
原因:一个把精力全放在写通用计算器上,用的是 200 万、30 年、3.5% 的示例;一个两轮就收尾,只谈了提前还款却没对比 3.85% 降到 2.95% 的月供差,用户最初问的那半个问题始终没被回答。
能力
没做财务面的深入追问,收入支出、应急资金、违约金、个税扣除这些关键因素缺位 2 个对象
涉及对象:MiniMax-M3.1-Flash、gemini-4-carbon
原因:只把它当成一道算术题,没有意识到「要不要提前还」本质取决于月结余和流动性,导致建议停在有保留的通用层面,规则里这几项恰恰是加分项。
能力
没解释重定价日机制,也没去核对合同 3.85% 与 APP 2.95% 这两个数为什么对不上 2 个对象
涉及对象:MiniMax-M3.1-Flash、gemini-4-carbon
原因:利率口径是这个题最容易让用户犯迷糊的点,跳过它就等于没解释「省的钱是怎么来的」,规则里的交叉验证和机制说明因此全部落空。
能力
月供等关键数值算错,超出允许误差 1 个对象
涉及对象:gemini-4-carbon
原因:把 82 万、204 期、2.95% 的月供算成 5,237 元,正确值约 5,116 元,差 121 元刚过 100 元的容差线,连带后续省息额全部偏高,数值项只能给到 0.4 档。

特例

gemini-4-carbon
全场环境最干净的一个——没有任何工具报错、部署正常、20 秒两轮就答完,反而是未通过者之一(0.6032)。说明这道题的分数几乎不取决于跑得顺不顺,而取决于有没有追问、有没有对上用户参数。
Hy4
唯一一个没有给出最终数值结论、而是反过来让用户先填几个数字、并附上计算口径和工具表的通过者。它用掉 25 轮、约 49.6 万 token、548 秒,拿到 0.8048,是所有通过者里最低分,可见判分对「先把信息凑齐」这种路线是容忍的。
LongCat-2.5
没有停在文字方案,直接交付了一个可在浏览器打开的房贷计算器网页,默认值按用户情况预填(82 万、17 年、2.95%),并在回答里给出「月供 5,116 元、每月省 472 元、提前还 10 万缩短年限省息 58,997 元」,以 0.8236 通过。

非能力因素记录(本题被选中的那次运行)

资源、网络、额度、判分链路的问题,不应算作答题能力。

Hy4
联网检索空结果 5 次
LongCat-2.5
联网检索空结果 2 次
MiniMax-M3.1-Flash
工具报错 1 次;联网检索空结果 8 次
claude-fable-5-1
联网检索空结果 3 次
claude-opus-5-5
联网检索空结果 3 次
claude-sonnet-5.5
联网检索空结果 4 次
ernie-5.5-flash-preview
工具报错 1 次;联网检索空结果 3 次
gpt-6-astra
联网检索空结果 4 次
gpt-6.1-sol
联网检索空结果 2 次
kimi-k3.1-pro
工具等待超时 1 次;联网检索空结果 15 次
qwen4-max
联网检索空结果 4 次
spark-x2.6
联网检索空结果 3 次
step-5-preview
联网检索空结果 3 次
归因:低分主要来自测试对象的能力,而不是题目或环境。两个未通过者一个是「写了个计算器却从没用用户的数字算过」,一个是「两轮就收尾、漏掉利率调整前后的对比、月供还多算了 121 元」,都属于典型的任务理解与执行问题。环境因素覆盖面很大——14 个已判分对象中有 13 个出现联网空结果,最多 12 次,最长耗时 782 秒、最高消耗约 49.6 万 token——但绝大多数对象仍凭记忆给出正确口径并通过,所以它主要抬高成本、不直接压低分数。题目侧的干扰主要来自提前还款金额和利率在对话中不唯一,参考值随路径变化,给判分带来一定不确定性。综合估计:能力约 65%、环境约 25%、题目约 10%。另外,25 个对象里有 11 个因框架没落盘轨迹而无法评估,实际可比较样本只有 14 个,结论的稳健性要打些折扣。

5. 题目质量问题

只有数据里真有证据才列入
中
评分规则文件被截断,最关键的参考值表和分档阈值都被切掉了
证据:四条规则的正文都在 300 字左右戛然而止,例如数值规则停在「正确参考值(等额本息公式程序化计算)」和「基础月供」,内容规则停在「正在享受住房贷款利息个税专」,信息收集规则停在「1.0:基础信息全部收集」。
建议:完整导出四条规则,至少保留参考值对照表、分档说明和各类加分项清单,否则复核时只能靠判分理由反推标准。
中
提前还款金额与利率在对话中不唯一,导致「正确答案」也随路径变化
证据:规则自己写明提前还款额「用户可能提供 10 万或 15 万(取决于对话走向)」;实际通过者分别按 5 万、10 万、12 万、15 万计算都判过了,参考值无法统一核对。
建议:把剧本固定下来,金额和利率唯一定死;或要求判分时按用户最终确认的金额重算参考值再比对。
高
题目要求核实 LPR、银行违约金政策等外部事实,但环境联网检索全程为空
证据:14 个已判分对象中 13 个出现「联网检索没抓到任何结果」,最多的记了 12 次;gpt-6-astra、gpt-6.1-sol 在空检索情况下仍给出了带链接的 LPR 数据,来源是否核实已无法验证。
建议:随题预置离线资料包(当期 LPR 公告、招行提前还款政策摘要),或明确告知「本轮无法联网」,只按口径与逻辑判分,不要求给出来源链接。
低
初始提问不给任何关键参数,两轮内收尾的对象天然吃亏
证据:用户原话只有「要不要提前还、怎么算比较好」,本金、年限、利率、还款方式全缺;gemini-4-carbon 仅 2 轮、20 秒作答得 0.6032,而用足 25 轮的 Hy4 得 0.8048,多轮追问本身就是得分来源。
建议:在提问里先给一两个已知条件(例如「本金大概 82 万、还剩 17 年」),把考察点从「会不会问」往「算得准不准、说得清不清」上挪一些。
一句话结论:这是一道区分度不错的真实理财咨询题,14 个可评估对象里 12 个通过、平均 0.83;失分集中在「不先问参数、用通用示例代答」和「漏掉利率调整前后的月供对比」两类能力问题上,而全程空检索只拖慢了速度、没有明显拉低分数。
← 返回题目分析总览