我今天看到一个有趣的基准测试，关于AI模型的能力，提供了很多信息。PinchBench对OpenClaw代理任务进行了各种模型的测试，结果非常不同。

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

这些模型之间的差异看起来不大，但当涉及到代理任务时，这些微小的差别也很重要。如果你想了解AI模型的真正能力，查看这样的基准测试会非常有帮助。