成功率排行榜
按平均分对模型排序，首页展示 10 个模型，展开可见 49 个更多条目，同时给出平均分与单次最佳分两个数值。
官方说明 ↗
价格官网未标价
平台Web
归类AI 智能体
收录2026-10-10
复核2026-10-10
编辑评分
4.3 / 5
★★★★☆
PinchBench编辑总结
PinchBench 是由 Kilo 团队打造的 OpenClaw 大模型能力评测平台，用标准化智能体任务考察各模型的实际成功率，按平均分和最佳分排名。当前版本共列出 10 个模型并支持展开至 49 个更多条目，头部模型平均分达 93.5%，单次评测覆盖 5 到 20 次不等的运行。平台还按代码、数据分析、性价比等维度给出快速推荐，全部任务与评分标准开源。官网未公开具体定价与付费方案。
PinchBench是什么？
PinchBench 是一个面向 OpenClaw 智能体场景的大模型评测平台，由 Kilo 团队打造，官网由 Kilo 提供托管与推理支持。它把模型放进标准化的智能体测试任务里跑，用任务成功率来横向比较不同模型的实际能力，而不是只看单点问答表现。
平台当前版本在首页列出 10 个模型，可按平均分排序，展开后可见 49 个更多条目。榜单同时记录平均分与最佳分，运行次数从 1 次到 20 次不等，页面顶部固定标注当前版本与 2026-10-10 的更新时间。除总榜外，还有代码、数据分析、性价比等专门页面，并给出最佳整体、最佳开放权重、最佳 SLM、最快、最省钱、最佳性价比等快速推荐标签。
对普通读者，它相当于一份“哪个模型在智能体任务里更靠谱”的对照表；对开发者，任务列表和评分标准全部开源，可以顺着榜单去查具体模型在某一类任务上的表现；对需要评估成本的人，页面同时给出成功率与运行花费两个维度，便于在效果和开销之间取舍。
PinchBench核心功能
PinchBench值不值得用？
当你要为 OpenClaw 智能体场景挑模型时，PinchBench 值得先看一眼：它把成功率、成本、耗时放在同一张表里，代码页还直接给出前 5 名的用例得分与单价，能快速缩小候选范围。当你想评估某个模型的通用能力时，它的局限也很明显——当前首页只列 10 个模型，评测围绕智能体任务展开，覆盖面有限，且官网未公开定价与商用授权细节，企业采购前还需要另行确认。
建议选它的情况
- 需要为智能体任务选型、想看成功率与成本对照的开发者
- 想快速知道某类任务（如代码、数据分析）上哪个模型更强的人
- 关注开放权重与小参数量模型表现的评估者
不建议选它的情况
- 想了解通用对话能力、而非智能体任务表现的读者
- 需要官方给出定价与商用授权说明的采购方
PinchBench使用建议
入门先把路子走对
- 先看快速推荐首页顶部的 Quick Picks 把最佳整体、最快、最省钱等六类需求直接对应到模型，先按自己的目标挑一类再看细节。
- 展开完整榜单首页默认只展示 10 个模型，点击「Show all (49 more)」可以看到全部条目，避免漏掉分数接近但没进首页的模型。
- 分清平均分与最佳分榜单同时给出平均分和最佳分，最佳分只反映单次最好表现，选型时应以平均分为主、最佳分为辅。
进阶省时间也省钱
- 对照运行次数各条目的运行次数从 1 次到 20 次不等，次数越多结果越稳定，次数只有 1 次的条目参考价值相对有限。
- 结合代码页看价格代码页列出前 5 名的用例得分与花费，最高用例得分 98.0% 的花费是 11.39 美元，可以用它估算同类任务的预算。
- 查开源任务清单任务与评分标准全部开源，锁定候选模型后可以翻具体任务，确认它的高分是否来自你真正关心的场景。
PinchBench适合谁用？
智能体应用开发者
推荐正在为 OpenClaw 类智能体选模型，需要按成功率、花费和耗时综合排序，首页榜单可以直接给出候选顺序。
成本敏感的团队
推荐榜单记录每次评测的运行花费，代码页最高用例得分 98.0% 对应 11.39 美元，最低 1.74 美元，可作为预算参考。
开源模型评估者
推荐平台单独给出最佳开放权重与最佳 SLM 标签，最佳 SLM 限定在总参数量 125B 以内的开放权重模型。
企业采购方
有条件若采购流程需要书面费率或授权说明，还需要通过其他渠道确认。
只看通用能力的读者
不推荐评测围绕标准化智能体任务展开，并不覆盖通用对话或写作等场景，想比较这些能力需要另找来源。
PinchBench优点和缺点
优点
- 任务与评分标准全部开源，评分过程可查
- 同一张表同时给出成功率、花费与耗时
- 提供最佳 SLM 分类，限定总参数量 125B 以内
- 代码页直接列出前 5 名的用例得分与单价
缺点
- 首页只列 10 个模型，覆盖面有限
- 部分条目运行次数仅 1 次，稳定性存疑
- 评测只覆盖智能体任务
PinchBench常见问题
PinchBench 现在评测哪些模型？＋
首页按平均分排序列出 10 个模型，展开后可见 49 个更多条目。排名靠前的包括 anthropic/claude-opus-4.8-fast（平均分 93.5%）、qwen/qwen3.7-max（92.5%）、anthropic/claude-opus-4.8（90.5%）等，为当前版本的官方运行结果。
它的分数是怎么算出来的？＋
分数来自标准化 OpenClaw 智能体测试的任务成功率，按模型多次运行取平均。每个条目同时记录平均分与单次最佳分，运行次数从 1 次到 20 次不等，全部任务与评分标准均已开源。
哪类任务上谁的得分最高？＋
代码专项页显示，代码与 DevOps 任务的最高用例得分是 98.0%，花费 11.39 美元、平均耗时 251.3 分钟；第二名用例得分 97.9%，花费 5.44 美元。数据分析任务上的最高分是 94.5%。
PinchBench 收费吗？＋
页面也未列出套餐档位。托管与推理由 Kilo 提供赞助，页面上出现的是 Kilo Code 的推广位，并非 PinchBench 自身的收费标准。
评测一次大概花多少钱？＋
代码页列出的前 5 名中，单次运行花费从 1.74 美元到 38.04 美元不等，平均耗时在 197.5 分钟到 305.6 分钟之间。这些数字是评测运行成本，不是使用模型的价格表。
有小模型的榜单吗？＋
有。快速推荐里单列了「最佳 SLM」，限定为总参数量 125B 以内的开放权重模型，该分类的平均分是 86.4%，基于 6 次运行。另有「最佳开放权重」分类，平均分 89.9%，基于 5 次运行。
PinchBench竞品对比
| 工具 | 编辑评分 | 价格 | 核心功能 | 平台 |
|---|---|---|---|---|
| PinchBench本工具 | 4.3 | 未标价 | 成功率排行榜；六类快速推荐；代码专项榜；开源评测标准 | Web |
| 虾评 Skill | — | 未标价 | 虾评 Skill 官网:专为 AI Agent 打造的 Coze Skill 分享与评测平台 | Web |
| Atlassian Intelligence | — | 未标价 | AI 团队合作助手 | Web |
| Teamo | — | 未标价 | Teamo 是夕小瑶团队推出的多 Agent 协作 AI 智能体，定位为“全球首个为知识工作者而生 | — |
| InStreet | — | 未标价 | InStreet 是字节扣子推出的 AI Agent 专属中文社交网络，只有 Agent | Web |
| Matrix | — | 未标价 | Matrix 是超长时间自动化运行的主动式多 Agent 协作平台 | — |
