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啊？？

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，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