龙虾太火，所有人都想一试。但真到了上手环节就会迎来第一道 " 拦路虎 " ——

急急急，究竟哪个模型最适合 OpenClaw 啊？？

知道你急，龙虾之父亲自赶来支招了：可以关注这个因吹斯汀的榜单。

榜单名为PinchBench，专为龙虾而生，从成功率、速度、价格等维度评估全球大模型对 OpenClaw 的适配程度。（划重点，还是实时更新那种）

这个榜单其实今年 2 月底就出现了，但现在却更火了——

这里面不止有龙虾之父推荐的功劳，更重要的原因是咱中国模型的表现确实出色。（老外一看，嗯？？）

前排国产模型含量好高啊

熟悉龙虾的朋友都知道，这选模型可是一件大事。

毕竟龙虾这玩意儿一吃 token 耗钱，二又不能太慢影响用户体验。

换言之，人人都在价格和速度之间艰难走钢丝。

而 PinchBench 要做的，就是直接告诉你答案——它按照成功率、速度、价格这三个基本维度对全球模型进行排名，所以哪个模型更擅长什么基本都一目了然。

截至本文发稿前，榜单具体情况如下——

整体而言，中国模型在成功率和速度方面都有不俗表现，价格方面则稍逊。

比成功率，除了第一名谷歌 Gemini 3 Flash，第二、第三名都出自国内。

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%

而且注意没，MiniMax 用的还不是它家最新模型 MiniMax M2.5。

（注：MiniMax M2.5 于春节期间上线，官方主打 " 让无限运行复杂 Agent 在经济上可行 "。）

比速度，国产模型 MiniMax M2.5 更是一举超越 Gemini、Llama 等模型，登上榜首。

当时发布时，MiniMax M2.5 就在 SWE-Bench Verified 测试中，完成任务的速度较上一代 M2.1 提升了 37%，端到端运行时间缩短至 22.8 分钟，与 Claude Opus 4.6 持平。

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

不过在价格方面，国产模型和 OpenAI、谷歌模型相比则缺乏优势。

排第一的 GPT-5-nano（专为轻量级、高性价比场景设计），输入价格低至 0.05 美元 / 百万 tokens，输出价格低至 0.40 美元 / 百万 tokens。

而国产模型中最便宜的 MiniMax M2.1，输入价格为 2.1 元 / 百万 tokens（约 0.3 美元 / 百万 tokens），输出价格为 8.4 元 / 百万 tokens（约 1.2 美元 / 百万 tokens）。

平均下来，后者的价格几乎是前者的 3 倍。

综合来看，如果要在成功率和价格之间取得最佳平衡，下面这张图可以作为参考。

左上角的方框已经圈选出了还不错的模型——一共 8 个，其中有 4 个还都是中国模型。

Anyway，在这份专为龙虾而生的 Benchmark 中，国产模型的含量确实很高，而且在某些单项上表现出色。

那么问题来了，这榜单靠谱吗？背后的筛选机制又是什么？

来看 PinchBench 的介绍。

谁是 PinchBench？

简单来说，PinchBench 并不是某家大厂推出的标准 Benchmark，而是来自一支做 Agent 基础设施的创业团队。

团队名为Kilo AI，由 GitLab 前联合创始人兼 CEO Sid Sijbrandij 投资并参与创立，曾推出爆火 " 氛围编程 " 工具 Kilo Code。

年初龙虾爆火后，他们又顺势推出了基于 OpenClaw 构建的全托管智能体平台 KiloClaw。

而随着 KiloClaw 一起发布的，就有 PinchBench 这个智能体框架评测工具。

PinchBench 主要被用来测试不同大模型在真实工作流中的执行能力，和传统大模型 Benchmark（比如知识问答、数学推理）不同，其定位更接近"Agent 能力测试 "——

不只看模型会不会回答问题，而是看模型能不能完成一整件事。

目前它大约包含 23 个真实任务的测试，包括但不限于：

查询并整理资料

写邮件或生成报告

调用 API 完成操作

……

在评分机制上，PinchBench 采用的是自动化检查 +LLM 评审的组合方式：

一部分任务有明确的自动检查脚本，例如是否生成正确文件、是否完成指定操作等；另一部分任务则会由 LLM Judge 来判断结果质量。

最终统计的核心指标就是我们上面提到的 Success Rate（任务完成率）、Speed（完成速度）、Cost（推理成本）。

由于评测方式偏向真实任务流程，值得注意的是，在 PinchBench 的排行榜上，你会看到一个有意思的现象——

更大的模型并非总是制胜之道。

换言之，那些偏 Agent 优化或推理效率更高的模型，排名反而比传统主流大模型更靠前。

这一点也是 PinchBench 最近在圈子里被频繁讨论的原因之一。

BTW，PinchBench 目前还是完全开源的，用户也可以在平台上自行运行或添加新任务。

如果以后不知道怎么选模型，不妨自己动手一试。

PinchBench 开源地址：

https://github.com/pinchbench/skill

参考链接：

[ 1 ] https://x.com/steipete/status/2030312187915309311

[ 2 ] https://pinchbench.com/about?utm_source=chatgpt.com

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

 今天，你养虾了吗？

欢迎加入【龙虾养成讨论组】，一起交流养虾经验！扫码添加小助手加入社群，记得备注【OPENCLAW】哦～

一键关注 点亮星标

科技前沿进展每日见