这道题模拟一场多轮法律咨询:用户先问劳动仲裁里哪些情形由用人单位承担举证责任(举证责任倒置),再结合自己“被公司辞退、公司证据不全”的情况,问仲裁委通常会怎么判、有没有类似案例可参考。对话过程中用户的身份和案情细节会逐步补充甚至反转(从劳动者口吻变成代表用人单位的合规主管),模型要一边追问一边更新分析,最后给出能落地的判断和建议。
是否看出用户表面上问的是一般性法律问题、真正要的是针对具体案情的分析,并在后续轮次准确接住新透露的信息(辞退理由、制度签收、工会程序不确定等),持续更新判断而不是重复第一轮的回答
是否准确引用《劳动争议调解仲裁法》第 6 条、劳动争议司法解释中关于用人单位举证责任的条文,举证责任倒置的情形列举是否完整,仲裁委可能的裁判思路是否说清
辞退的具体法定理由、规章制度是否经民主程序并公示、是否履行通知工会程序这三项基础信息必须收集,缺任一项内容质量不超过 0.7;公司所在地、证据材料细节(监控保存期、检讨书是否自愿)、工龄与薪资等深入信息每覆盖一项加分
最终回答必须紧扣“举证责任倒置+具体辞退案情”,若完全偏离主题,内容质量直接判 0
是否给出可操作的建议(证据链自查与补强、程序补救、调解数额区间),是否提供具体类似案例而不是只给检索建议
评分由三块组成:对话理解与需求跟踪、最终回答内容质量、信息收集质量,各自按 0 到 1 打分。内容质量设一道前置检查:最终回答若完全跑偏“举证责任倒置+具体辞退案情”这个主题,这一项直接判 0。信息收集划了三条基础信息——辞退的具体法定理由、规章制度是否经民主程序并公示、是否通知工会,缺任何一条,内容质量不得超过 0.7;公司所在地、证据材料细节、工龄与薪资等深入信息每覆盖一项加分。法条梳理这一步整体缺失时,多个判分理由显示按 0.3 以下封顶。判分理由里反复出现的扣分点是:未准确引用《劳动争议调解仲裁法》第 6 条及相关司法解释条文、未提供类似案例、未分析“脱岗”定义模糊和客户口头投诉无签字、检讨书是否自愿等证据瑕疵,以及全程没有追问关键案情。
| 测试对象 | 得分 | 结果 | 部署 / 环境 | 耗时 | Token | 失分要点 |
|---|---|---|---|---|---|---|
| claude-opus-5-51 次运行 | 0.990 | 通过 | 正常 | 4m 48s | 95,238 | 通过;助手在多轮对话中准确捕捉用户身份从劳动者转为用人单位合规主管,并随新信息不断更新风险判断;对举证责任倒置、第39条解除、工会程序、证据固定、一裁终局、调解策略等… |
| Qwen3.8-Flash(xhigh)测试报告 | 0.956 | 通过 | 仅报告 | 14m 50s | 426,407 | 得分来自测试报告;没有轨迹与判分理由,无法复盘过程 |
| qwen4-max1 次运行 | 0.950 | 通过 | 有波动空结果5 | 7m 01s | 94,941 | 通过;助手全程表现出极高的意图理解与跟踪能力:首轮在回答一般性举证责任倒置问题后主动追问案情;用户身份从员工反转为公司合规时立即显式切换分析框架,未出现立场错乱;随后… |
| claude-fable-5-12 次运行 | 0.940 | 通过 | 有波动空结果3 | 11m 26s | 130,087 | 通过;助手在整个对话中对用户意图的跟踪非常出色。第一轮在一般性回答后主动追问具体案情;第二轮用户纠正身份(公司合规方而非被辞退员工)后,助手立刻切换到用人单位立场,分… |
| gpt-6.1-sol1 次运行 | 0.932 | 通过 | 有波动空结果6 | 4m 30s | 82,051 | 通过;助手整体表现优秀:准确识别并跟进用户从劳动者咨询到公司应对仲裁的身份与需求变化,逐轮捕捉关键新增信息(第39条、工会程序、监控时效、制度定义、解除通知、2N金额… |
| GLM 5.3测试报告 | 0.928 | 通过 | 仅报告 | 12m 30s | 185,066 | 得分来自测试报告;没有轨迹与判分理由,无法复盘过程 |
| claude-sonnet-5.51 次运行 | 0.927 | 通过 | 有波动空结果4 | 4m 22s | 127,798 | 通过;助手完整覆盖了举证责任倒置的法律依据、用人单位举证要点、证据链分析、工会通知程序风险、监控证据8天窗口、脱岗定义争议、2N赔偿金测算、和解与应诉策略,实操性较强… |
| deepseek-v4.1-flash-1017测试报告 | 0.922 | 通过 | 仅报告 | 9m 10s | 224,218 | 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 | 0.922 | 通过 | 有波动空结果6 | 5m 08s | 78,717 | 通过;助手全程准确跟踪需求与身份变化:先解释举证责任并追问案情,获知公司合规身份后及时转向用人单位证据准备;随后结合工会通知、监控即将覆盖、脱岗超过30分钟的制度门槛… |
| mimo-v2.6-pro-ultraspeed测试报告 | 0.922 | 通过 | 仅报告 | 4m 50s | 492,897 | 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 | 0.916 | 通过 | 有波动工具报错3、空结果5 | 1m 54s | 354,503 | 通过;助手在多个维度表现优秀:(1)信息缺失识别——首轮即主动追问辞退理由、工龄、薪资等关键信息,后续每轮都精准识别需要补充的细节;(2)信息修正捕捉——用户中途纠正… |
| spark-x2.61 次运行 | 0.897 | 通过 | 有波动空结果11 | 5m 51s | 161,653 | 通过;助手整体表现较强:准确识别了用户从一般法律问题到具体案情的需求变化,及时捕捉用户身份从劳动者到用人单位合规主管的修正,并持续围绕公司应诉、证据补强、工会程序、赔… |
| GLM-5.3-Flash测试报告 | 0.868 | 通过 | 仅报告 | 10m 20s | 59,127 | 得分来自测试报告;没有轨迹与判分理由,无法复盘过程 |
| LongCat-2.51 次运行 | 0.770 | 通过 | 有波动超时1、工具报错3、空结果27 | 7m 18s | 572,923 | 通过;助手在多轮中较好地跟随了用户立场变化:从员工角度切换到用人单位风险评估,持续更新证据、工会程序、赔偿测算和应诉建议,法律框架(举证责任倒置、第39条解除要件、工… |
| Kimi-K3(max)测试报告 | 0.666 | 未通过 | 仅报告 | 11m 10s | 61,362 | 得分来自测试报告;没有轨迹与判分理由,无法复盘过程 |
| gemini-4-carbon1 次运行 | 0.590 | 未通过 | 有波动空结果8 | 1m 20s | 67,372 | 回答整体话题一致、实操性较强,能识别工会程序风险、监控保全窗口并给出证据链和调解建议;但未准确引用《劳动争议调解仲裁法》第6条这一必备法条,也未提供用户所需的类似案例,且未充分分析“脱岗”定义模糊、客户口头投诉无签字、仅… |
| Qwen3.8-Max(xhigh)测试报告 | 0.580 | 未通过 | 仅报告 | 11m 10s | 614,085 | 得分来自测试报告;没有轨迹与判分理由,无法复盘过程 |
| kimi-k3.1-pro2 次运行 | 0.308 | 未通过 | 有波动工具报错1、空结果4 | 2m 28s | 483,522 | 回复方向与劳动仲裁举证责任主题相关,且初步区分了用人单位对辞退合法性的举证责任,但缺少针对用户的最终完整解答:未准确引用《劳动争议调解仲裁法》第6条、《劳动争议司法解释一》相关条文,未列举用人单位举证责任倒置的具体情形,… |
| MiniMax-M3.1-Flash1 次运行 | 0.250 | 未通过 | 有波动超时3、工具报错5、空结果5 | 4m 45s | 835,641 | 助手最终未给出任何实质性回答,仅停留在检索和工具调用阶段;未梳理举证责任倒置法条、未分析辞退案情、未提供仲裁判断倾向或可参考案例,关键步骤缺失。 |
| step-5-preview1 次运行 | 0.250 | 未通过 | 有波动超时2、工具报错5、空结果8 | 4m 56s | 373,159 | 助手没有给出最终实质性回答,仅进行了多次检索且未形成可交付内容,无法评估其法律准确性、完整性、专业性和实操性。 |
| Hy41 次运行 | 0.244 | 未通过 | 有波动工具报错1、空结果10 | 8m 13s | 582,430 | 助手最终没有向用户输出实质性的法律分析、举证责任倒置法条梳理、具体案情判断或可操作建议;虽然进行了大量检索和抓取,但对话内容停留在工具调用和中间说明,未完成 rubric 要求的 Step 1 与 Step 3 等核心回… |
资源、网络、额度、判分链路的问题,不应算作答题能力。