我今天看到一個有趣的基準測試，對 AI 模型的能力提出了不少看法。PinchBench 在 OpenClaw 代理任務上測試了各種模型，結果非常不同。

Gemini 3 Flash 以 95.1% 的成功率位居第一。 但有趣的是，其他模型也非常接近。minimax-m2.1 達到了 93.6%，kimi-k2.5 則是 93.4%。Claude Sonnet 4.5 為 92.7%，而 GPT-4o 則停留在 85.2%。

這些模型之間的差距看起來並不大，但當涉及代理任務時，這些微小的差異也很重要。 如果你想了解 AI 模型的真正能力，這樣的基準測試會非常有幫助。