最近，OpenClaw创始人 Peter Steinberger 发布了一份名为 PinchBench 的基准测试榜单。

一口气实测了 32 个主流大模型，从成功率、速度和成本三个维度做了完整对比。

这也成了目前第一份专门针对 Agent 任务的，“龙虾大模型排行榜”。

而榜单一出来，很多人第一反应都是：这排名，好像有点出乎意料。

从成功率来看，榜单第一名并不是大家常提到的“新模型”，而是 Anthropic 的旗舰模型 Claude Opus 4.6 。

它在 PinchBench 里的任务成功率达到了 82.5%。

紧随其后的，是 Claude Opus 4.5 ，成功率 81.3%。第三名则是谷歌的 Gemini 3.1 Pro Preview ，成功率 81.1%。

前三名基本都处在 80% 以上的成功率区间，差距非常小。

但更有意思的是接下来的排名，第四名是 Claude Sonnet 4 ，成功率 80.5%。

第五名则是国产模型 Kimi K2.5 ，成功率 80.1%。第六名是另一款国产模型 MiniMax M2.1 ，成功率 79.5%。

换句话说，在最核心的成功率指标里，国产模型已经稳稳进入第一梯队。

但有些模型的排名就有点出人意料了。例如 OpenAI 的新模型 GPT-5.4，成功率只有 78%，排在榜单第九。

而不少开发者平时常用的 GPT-4o ，成功率甚至只有 56.3%，排在榜单倒数。

这其实说明了一件很重要的事情：传统的大模型排行榜，并不能很好预测 AI 在 Agent 任务里的表现。

过去很多榜单本质上是“考试模式”，比如知识问答、数学推理、代码题，只要模型给出正确答案就算完成任务。

但在 Agent 系统里，AI 要做的事情完全不同，它不仅要理解指令，还要自己拆解任务、调用工具、读取文件、生成中间结果、执行多步骤操作。

如果中间任何一步出错，整个任务就可能失败。

换句话说，Agent 任务测试的不是模型“会不会答题”，而是它能不能真的像一个数字员工一样把事情一步一步做完。

从 PinchBench 的结果来看，还有一个非常明显的趋势：在 Agent 场景里，模型越大并不一定越好。

很多中型模型反而更稳定，因为它们推理速度更快、思考路径更短，在多步骤工作流中不容易“迷路”。

比如排名靠前的 Claude Sonnet 4 和 MiniMax M2.1 ，其实都不是各家公司体量最大的模型版本，但在真实任务中表现非常稳。

这也意味着大模型正在出现一种新的分工：旗舰模型负责展示极限能力，而中型模型开始承担真正的生产任务。

当然，说到养龙虾，还有一个所有开发者都绕不开的问题“成本”。

因为 Agent 系统远比普通聊天更烧 Token，模型需要反复思考、生成中间步骤、调用工具，一次完整任务的 Token 消耗可能是普通对话的几倍甚至十几倍。

之前在一次 OpenClaw 开发者聚会上，就有人分享过自己的使用账单：每个月光 Token 费用就要 1000 到 2000 美元，还有一位更夸张的玩家每天消耗 10 亿 Token。

所以现在开发者圈里流行一句玩笑话：安装 OpenClaw 很便宜，养龙虾很贵。

不过说到底，PinchBench 这份榜单最大的价值，其实也不只是排个名次。

它等于是第一次比较系统地回答了一个 Agent 时代很现实的问题：当AI真的开始出来打工了，我们到底该给它配哪种“大脑”？

更有意思的是，这背后其实反映出 AI 行业正在发生的一点小变化。以前大家评价 AI，很像在看考试成绩，谁分数高、谁榜单第一、谁又刷新纪录。

但现在慢慢不一样了，大家开始看的是另一件事：它到底能不能把活干完。

换句话说，AI 不再只是一个会聊天、会写几段文字的工具，而是越来越像一个可以被安排任务的数字员工。

所以现在开发者见面寒暄，很多时候都不是在问“你用哪个模型”，而是换成了一句更接地气的话：

你现在养了几只龙虾？ 🦞

参考资料：

OpenClaw、X、新智元等等

编辑：不吃麦芽糖

返回搜狐，查看更多