终于有一个真正重要的基准测试了。忘掉 MMLU 和数学成绩吧……PinchBench 测试哪个 AI 模型在实际工作中表现最好。不是回答琐事，而是真正完成任务：→ 从多个网页来源查找信息 → 创建和安排会议 → 组织电脑上的文件 → 编写和管理电子邮件。它测试模型作为代理通过 OpenClaw 运行……意味着 AI 必须使用工具、链式操作，并完成端到端的任务。结果非常有趣：> Gemini 3 Flash 以 95.1% 领先 > MiniMax M2.1 紧随其后，达 93.6% > Kimi K2.5 93.4% > Claude Sonnet 92.7% > Gemini 3 Pro 91.7% > Claude Haiku 90.8% > Claude Opus 4.6 90.6% > GPT-5 Nano 85.8% 顶端和底部的差距只有大约 10%……这意味着大多数前沿模型在代理任务上表现得相当不错。 但真正的结论是？Gemini Flash……一个轻量级模型……在实际代理工作中超越了所有重量级模型。速度 + 工具使用 > 原始智能。 这才是应该决定你日常使用哪个模型的基准，而不是一些没人关心的学术测试。