各家AI在OpenClaw🦞上的能力榜单

有人做了一个专门测试AI Agent在OpenClaw小龙虾🦞上的能力排行榜，叫 PinchBench。

PinchBench测的是标准化的OpenClaw任务，有固定的验收标准，评分一部分靠自动化检测，一部分靠LLM裁判。这已经是目前业界做得比较严谨的评测方式了。

截至2月底最新数据，33个模型上榜，看几个关键数字：

第一梯队（90%以上） GPT-5.3 Codex 97.8% / Gemini 3 Flash 95.1% / Claude Sonnet 4.5 92.7%

第二梯队（80-90%） GPT-4o 85.2% / DeepSeek V3.2 82.1%

掉队区（40%左右） Qwen3-max-thinking、Step-3.5-flash 均约40%

有趣的是，同一家出的模型，分数可以差很远。OpenAI的GPT-5.3 Codex拿了97.8%，自家另一个GPT-5.2却只有65.6%。"同门师兄弟"差距这么大，说明Agent能力跟模型整体智力不完全是一回事。

榜单是开源的，任务和评分标准都在GitHub上公开，自己也可以跑测试。

榜单地址：pinchbench.com