CLAWEVAL · AGENT BENCHMARK REPORT

ClawEval 运行轨迹分析报告

21 个测试对象 · 30 道真实工作场景题 · 只统计有结果或有测试报告的对象。同一道题多次执行时,取该对象表现最好的一次作为最终结果:先比得分,得分相同再比耗时。所有结论只对本批测试记录成立。

最佳一次口径30 道题21 个对象有成绩按题目逐次比对
参与分析的对象
21
每条轨迹都来自该对象的运行记录
榜首总得分
88.2
claude-opus-5-5(30 题均分,百分制)
全组平均总分
72.1
21 个对象的百分制总得分均值
题目数
30
覆盖金融、医疗、法务、工程、编程等场景

对象总览

按总得分从高到低排名;点击表头可按该列排序,支持搜索与筛选。总得分、有效得分均为百分制(满分 100)下载 Excel
共 21 个对象
名次测试对象↕总得分↕有效得分↕总时间消耗↕输入 Token↕输出 Token↕缓存 Token↕总 Token↕详情
1claude-opus-5-51 次运行 · 30 道题有成绩88.2满分 10089.92h 11m4,820,228527,22905,347,457查看 →
2claude-sonnet-5.51 次运行 · 30 道题有成绩85.1满分 10089.22h 22m7,676,302712,99708,389,299查看 →
3qwen4-max1 次运行 · 29 道题有成绩84.8满分 10090.83h 30m9,926,594469,1238,884,22410,395,717查看 →
4claude-fable-5-13 次运行 · 18 道题有成绩84.4满分 10089.72h 07m2,028,079233,5191,505,6722,261,598查看 →
5gpt-6.1-sol1 次运行 · 30 道题有成绩83.0满分 10087.01h 37m4,234,103214,5633,649,2904,448,666查看 →
6mimo-v2.6-pro-ultraspeed 仅报告测试报告 · 30 道题有成绩82.9满分 10088.73h 21m12,071,970759,959012,831,929查看 →
7gpt-6-astra1 次运行 · 30 道题有成绩79.4满分 10086.52h 14m3,581,423178,1843,026,1833,759,607查看 →
8Qwen3.8-Flash(xhigh) 仅报告测试报告 · 30 道题有成绩78.8满分 10088.67h 04m15,882,638968,848016,851,486查看 →
9deepseek-v4.1-flash-1017 仅报告测试报告 · 30 道题有成绩75.7满分 10087.54h 35m11,983,547684,335012,667,882查看 →
10spark-x2.61 次运行 · 30 道题有成绩72.2满分 10085.32h 45m3,900,036461,3133,269,5684,361,349查看 →
11kimi-k3.1-pro4 次运行 · 30 道题有成绩71.8满分 10087.04h 26m15,351,687666,81413,586,96616,018,501查看 →
12GLM 5.3 仅报告测试报告 · 30 道题有成绩71.0满分 10087.17h 04m11,616,5171,088,595012,705,112查看 →
13GLM-5.3-Flash 仅报告测试报告 · 30 道题有成绩70.5满分 10086.57h 50m4,698,839689,19405,388,033查看 →
14Qwen3.8-Max(xhigh) 仅报告测试报告 · 30 道题有成绩67.2满分 10087.97h 04m11,532,644689,893012,222,537查看 →
15gemini-4-carbon1 次运行 · 30 道题有成绩65.1满分 10079.728m 37s1,322,94284,63610,2401,407,578查看 →
16LongCat-2.51 次运行 · 30 道题有成绩64.2满分 10085.55h 48m14,286,5151,117,79512,673,92015,404,310查看 →
17step-5-preview1 次运行 · 30 道题有成绩62.5满分 10084.44h 20m10,028,311827,9777,782,65610,856,288查看 →
18Hy42 次运行 · 30 道题有成绩62.1满分 10087.15h 36m15,873,289707,69413,791,36016,580,983查看 →
19MiniMax-M3.1-Flash2 次运行 · 30 道题有成绩59.7满分 10087.53h 22m22,258,361970,67820,363,44723,229,039查看 →
20ernie-5.5-flash-preview1 次运行 · 28 道题有成绩57.1满分 10087.91h 38m14,811,099840,74512,946,17615,651,844查看 →
21Kimi-K3(max) 仅报告测试报告 · 30 道题有成绩47.6满分 100—5h 28m4,863,934166,06505,029,999查看 →
怎么读这张表:「总得分」= 该对象所有有成绩题目的平均得分 × 100(百分制),也是表格与名次的排序依据;「有效得分」只把通过的题计入,同样折算成百分制,反映“做对的时候能拿多高的分”;Token 与耗时均为被选中那次运行的合计;标注「仅报告」的对象取自测试报告汇总值,缓存 Token 未提供记为 0。

三个关键现象

头部很稳

claude-opus-5-5 总得分 88.2 分,领先第二名 3.1 分,是唯一突破 88 分的对象;紧随其后的 claude-sonnet-5.5、qwen4-max、claude-fable-5-1 都在 80 分以上。

尾部差距在“做对”,不在“做完”

Kimi-K3(max) 总得分 47.6 分,与榜首相差 40.6 分;它有 24 道题低于 60 分,差距主要来自低分题偏多,而不是某一道题。

Token 花得多,不等于得分高

总 Token 最高的 MiniMax-M3.1-Flash(23,229,039)总得分 59.7 分,而排第一的 claude-opus-5-5 只花了 5,347,457 就拿到 88.2 分。资源消耗与得分几乎不成正比,说明这批评测里“会不会做”比“肯不肯花”更关键。

进入分析