长上下文检索评测：MiniMax-M3 vs DeepSeek v4-pro

一、测试设计

材料结构

策略：前半 75 组噪音 → 目标文档 → 后半 75 组噪音。目标文档在材料中间的「深水区」，测试模型是否能穿透噪音定位到精确信息。

测试问题（4 道）

1. Q1 简单检索：绘本目标文档中，总共有多少本书？done/pending/rejected 各多少？→ 精确数字 1891/1833/45/13
2. Q2 Sprint 状态：S6 是做什么的？为什么没开始？→ S6=跨书关系发现+套系分析+审核界面，状态"未开始（最大gap）"
3. Q3 P0 未完成项：列出 P0 优先级的未完成项 → ageRange unknown 补标注 + pending 45 本提炼
4. Q4 精确字段：narrativeStructure / characterArchetype / characterTags / qualitySignals 标记为完成还是未完成 → 全部未完成

正确性评分标准

二、总览对比

三、逐题对比

Q1：绘本总数量统计 ✅ 双方全对

正确答案：总数 1891 本，done 1833，pending 45，rejected 13

根据目标文档《绘本知识图谱 · 规划与现状对照》第三节"数据库现状
（实测 2026-05-05）"的记录：

- 总数：1891 本
- done（已完成）：1833 本 ✅
- pending（待提炼）：45 本 ⏳
- rejected（已拒绝）：13 本 🚫

原文表述为：
> 总数 1891 本
> ├── done: 1833 ✅
> ├── pending: 45 ⏳ 待提炼
> └── rejected: 13 🚫

根据文档中"三、数据库现状（实测 2026-05-05）"的记录：

- 总共有 1891 本书
- 已完成 (done)：1833 本
- pending：45 本
- rejected：13 本

点评：双方完全正确。M3 引用了原始排版格式（树状图），更生动但 tokens 相近。v4-pro 第一轮无 cache 导致延迟较高（23.8s），而 M3 只用了 12.6s。

Q2：S6 做什么 + 为什么没开始 ✅ 双方正确

正确答案：S6 = 跨书关系发现 + 套系分析 + 审核界面；状态 = "未开始（最大gap）"，材料未说明具体原因

S6 是第 8 周的 Sprint，规划目标为"跨书关系发现；套系分析；审核界面"。

具体包括：BookRelation 表（5种关系）、Series 表、same_theme、
emotional_progression、character_archetype、style_lineage、
intertextual 关系发现、置信度过滤、reviewed 审核界面。

为什么没开始：材料中没有直接解释 S6 未启动的原因。但根据文档推断：
1. 被标注为"最大 gap"
2. 排在 P2 优先级（在 P0/P1 之后）
3. 前序 Sprint S4 也未完成
4. 底层能力已具备但上层未串联

总结：材料明确说明状态但未给出明确延期原因。

S6 是做什么的：
S6（第8周）的规划目标是"跨书关系发现；套系分析；审核界面"。
具体包括 BookRelation 表、Series 表，以及 same_theme、
emotional_progression、character_archetype、style_lineage、
intertextual 等跨书关系发现。

为什么没开始：
文档中描述其实际状态为"❌ 未开始（最大gap）"，在 P2 优先级。
但文档并未直接陈述其未能开始的具体原因。

点评：双方都正确回答了 S6 做什么。关于"为什么没开始"，双方都诚实指出材料未明确说明原因，这是正确的。M3 额外做了合理推断（优先级排序、前序 Sprint 依赖），虽然不在材料中但标注为"推断"是诚实的。v4-pro 更简洁精准，没有过度推理。

Q3：P0 未完成项 ✅ 双方全对

正确答案：① ageRange unknown 补标注（970 本过半为空）② pending 45 本提炼

P0 优先级的未完成项共有 2 项：

1. ageRange unknown 补标注 — 970本过半为空，影响用户体验
2. pending 45 本提炼 — 触发 batch-analyze 跑完

（以上为原文逐条引用，材料中未给出更多 P0 项。）

P0（阻断数据质量的）优先级未完成项如下：

1. ageRange unknown 补标注 — 970本过半为空，影响用户体验
2. pending 45 本提炼 — 触发 batch-analyze 跑完

点评：完全一致，双方精准检索。v4-pro 延迟只有 5.4s（得益于 prompt cache），M3 是 8.9s。

Q4：字段标记状态 ✅ 双方全对

正确答案：4 个字段全部标记为"❌ schema有，AI未提取"（未完成）

这四个字段在文档中均标记为未完成（未提取）。

字段                 状态
narrativeStructure   ❌ schema有，AI未提取
characterArchetype   ❌ schema有，AI未提取
characterTags        ❌ schema有，AI未提取
qualitySignals       ❌ schema有，AI未提取

优先级定位：属于 P2（深化知识的），在文档第五章也有提及。
对比已完成的字段（ageRange/origin/themeTags 等）均已完成填充。

根据"4.2 标签体系"部分：

* narrativeStructure：❌ schema有，AI未提取
* characterArchetype：❌ schema有，AI未提取
* characterTags：❌ schema有，AI未提取
* qualitySignals：❌ schema有，AI未提取

因此，这四个字段在文档中均标记为未完成状态。

点评：完全正确。M3 补充了优先级和已完成的对比字段，信息量更大。v4-pro 更简洁但同样准确。注意 M3 的 Q4 延迟最高（23.1s），可能是因为它的 cache 未被利用（只有 114 tokens cached）。

四、延迟分析

五、Token 效率

v4-pro 回答更简洁（~336 tokens vs ~498），且 reasoning tokens 独立计算不计入输出。M3 回答更详细但 token 消耗也更大。如果你更看重回答质量和结构化，M3 更好；如果追求性价比和速度，v4-pro 更优。

六、Prompt Cache 深度对比

七、回答质量对比

八、结论

九、原始数据