私は今日、AIモデルの能力についてかなり示唆に富む面白いベンチマークを見ました。PinchBenchはOpenClawエージェントタスクに対してさまざまなモデルをテストし、その結果は全く異なるものでした。

Gemini 3 Flashが最も先行しており、成功率は95.1％です。しかし、興味深いのは他のモデルもかなり接近していることです。minimax-m2.1は93.6％、kimi-k2.5は93.4％を達成しています。Claude Sonnet 4.5は92.7％、一方GPT-4oは85.2％で停滞しています。

これらのモデル間の差はそれほど大きく見えませんが、エージェントタスクの話になるとこれらの小さな違いも重要になります。AIモデルの真の能力を知りたいなら、そのようなベンチマークを見ることが非常に役立ちます。