在RAG系统的选型过程中，自动化benchmark难以揭示模型面对检索片段时能否克制「自由发挥」的冲动。通过对MiMo系列五款模型的25条case盲测，本文揭示了各模型在事实准确性、指令遵循等RAG核心维度的真实表现，以及三类典型失分案例背后的风险点，为技术选型提供关键参考。