龍蝦太火，所有人都想一試。但真到了上手環(huán)節(jié)就會(huì)迎來(lái)第一道“攔路虎”—— 急急急，究竟哪個(gè)模型最適合 OpenClaw ??？？

知道你急，龍蝦之父親自趕來(lái)支招了：可以關(guān)注這個(gè)因吹斯汀的榜單。

榜單名為 PinchBench，專(zhuān)為龍蝦而生，從成功率、速度、價(jià)格等維度評(píng)估全球大模型對(duì) OpenClaw 的適配程度。（劃重點(diǎn)，還是實(shí)時(shí)更新那種）

這個(gè)榜單其實(shí)今年 2 月底就出現(xiàn)了，但現(xiàn)在卻更火了 ——

這里面不止有龍蝦之父推薦的功勞，更重要的原因是咱中國(guó)模型的表現(xiàn)確實(shí)出色。（老外一看，嗯？？）

前排國(guó)產(chǎn)模型含量好高啊

熟悉龍蝦的朋友都知道，這選模型可是一件大事。畢竟龍蝦這玩意兒一吃 token 耗錢(qián)，二又不能太慢影響用戶體驗(yàn)。

換言之，人人都在價(jià)格和速度之間艱難走鋼絲。

而 PinchBench 要做的，就是直接告訴你答案 —— 它按照成功率、速度、價(jià)格這三個(gè)基本維度對(duì)全球模型進(jìn)行排名，所以哪個(gè)模型更擅長(zhǎng)什么基本都一目了然。

截至本文發(fā)稿前，榜單具體情況如下 —— 整體而言，中國(guó)模型在成功率和速度方面都有不俗表現(xiàn)，價(jià)格方面則稍遜。

比成功率，除了第一名谷歌 Gemini 3 Flash，第二、第三名都出自國(guó)內(nèi)。

• 第一名（Gemini 3 Flash）：成功率 95.1%

• 第二名（MiniMax M2.1）：成功率 93.6%

• 第三名（Kimi K2.5）：成功率 93.4%

而且注意沒(méi)，MiniMax 用的還不是它家最新模型 MiniMax M2.5。

（注：MiniMax M2.5 于春節(jié)期間上線，官方主打“讓無(wú)限運(yùn)行復(fù)雜 Agent 在經(jīng)濟(jì)上可行”。）

比速度，國(guó)產(chǎn)模型 MiniMax M2.5 更是一舉超越 Gemini、Llama 等模型，登上榜首。

當(dāng)時(shí)發(fā)布時(shí)，MiniMax M2.5 就在 SWE-Bench Verified 測(cè)試中，完成任務(wù)的速度較上一代 M2.1 提升了 37%，端到端運(yùn)行時(shí)間縮短至 22.8 分鐘，與 Claude Opus 4.6 持平。

而 Claude Opus 4.6 的最新排名是 30（M2.1 是第 22）。

不過(guò)在價(jià)格方面，國(guó)產(chǎn)模型和 OpenAI、谷歌模型相比則缺乏優(yōu)勢(shì)。

排第一的 GPT-5-nano（專(zhuān)為輕量級(jí)、高性價(jià)比場(chǎng)景設(shè)計(jì)），輸入價(jià)格低至 0.05 美元 / 百萬(wàn) tokens，輸出價(jià)格低至 0.40 美元 / 百萬(wàn) tokens。

而國(guó)產(chǎn)模型中最便宜的 MiniMax M2.1，輸入價(jià)格為 2.1 元 / 百萬(wàn) tokens（約 0.3 美元 / 百萬(wàn) tokens），輸出價(jià)格為 8.4 元 / 百萬(wàn) tokens（約 1.2 美元 / 百萬(wàn) tokens）。

平均下來(lái)，后者的價(jià)格幾乎是前者的 3 倍。

綜合來(lái)看，如果要在成功率和價(jià)格之間取得最佳平衡，下面這張圖可以作為參考。

左上角的方框已經(jīng)圈選出了還不錯(cuò)的模型 —— 一共 8 個(gè)，其中有 4 個(gè)還都是中國(guó)模型。

Anyway，在這份專(zhuān)為龍蝦而生的 Benchmark 中，國(guó)產(chǎn)模型的含量確實(shí)很高，而且在某些單項(xiàng)上表現(xiàn)出色。

那么問(wèn)題來(lái)了，這榜單靠譜嗎？背后的篩選機(jī)制又是什么？

來(lái)看 PinchBench 的介紹。

誰(shuí)是 PinchBench？

簡(jiǎn)單來(lái)說(shuō)，PinchBench 并不是某家大廠推出的標(biāo)準(zhǔn) Benchmark，而是來(lái)自一支做 Agent 基礎(chǔ)設(shè)施的創(chuàng)業(yè)團(tuán)隊(duì)。

團(tuán)隊(duì)名為 Kilo AI，由 GitLab 前聯(lián)合創(chuàng)始人兼 CEO Sid Sijbrandij 投資并參與創(chuàng)立，曾推出爆火“氛圍編程”工具 Kilo Code。

年初龍蝦爆火后，他們又順勢(shì)推出了基于 OpenClaw 構(gòu)建的全托管智能體平臺(tái) KiloClaw。

而隨著 KiloClaw 一起發(fā)布的，就有 PinchBench 這個(gè)智能體框架評(píng)測(cè)工具。

PinchBench 主要被用來(lái)測(cè)試不同大模型在真實(shí)工作流中的執(zhí)行能力，和傳統(tǒng)大模型 Benchmark（比如知識(shí)問(wèn)答、數(shù)學(xué)推理）不同，其定位更接近“Agent 能力測(cè)試”—— 不只看模型會(huì)不會(huì)回答問(wèn)題，而是看模型能不能完成一整件事。

目前它大約包含 23 個(gè)真實(shí)任務(wù)的測(cè)試，包括但不限于：

• 查詢并整理資料

• 寫(xiě)郵件或生成報(bào)告

• 調(diào)用 API 完成操作

• ……

在評(píng)分機(jī)制上，PinchBench 采用的是自動(dòng)化檢查 +LLM 評(píng)審的組合方式：

一部分任務(wù)有明確的自動(dòng)檢查腳本，例如是否生成正確文件、是否完成指定操作等；另一部分任務(wù)則會(huì)由 LLM Judge 來(lái)判斷結(jié)果質(zhì)量。

最終統(tǒng)計(jì)的核心指標(biāo)就是我們上面提到的 Success Rate（任務(wù)完成率）、Speed（完成速度）、Cost（推理成本）。

由于評(píng)測(cè)方式偏向真實(shí)任務(wù)流程，值得注意的是，在 PinchBench 的排行榜上，你會(huì)看到一個(gè)有意思的現(xiàn)象 ——

更大的模型并非總是制勝之道。

換言之，那些偏 Agent 優(yōu)化或推理效率更高的模型，排名反而比傳統(tǒng)主流大模型更靠前。

這一點(diǎn)也是 PinchBench 最近在圈子里被頻繁討論的原因之一。

BTW，PinchBench 目前還是完全開(kāi)源的，用戶也可以在平臺(tái)上自行運(yùn)行或添加新任務(wù)。

如果以后不知道怎么選模型，不妨自己動(dòng)手一試。

PinchBench 開(kāi)源地址：

https://github.com/pinchbench/skill

廣告聲明：文內(nèi)含有的對(duì)外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時(shí)間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。