ClawBench是一個大模型智慧型體評測機構與基準測試平台，專注於評測大模型智慧型體的真實落地能力，並構建了多維度、全場景的量化評測標準。其評測維度涵蓋多模態感知與互動、工具調用與生態執行、複雜推理與任務規劃等，評測過程採用隔離沙箱執行機制與“三重評分機制”。
ClawBench的評測覆蓋辦公協同、信息檢索與研究、內容創作、數據處理與分析、軟體工程等業務場景。其發布的CLAW SCORE核心評分、運行速度、調用成本、綜合價值等指標可用於衡量大模型智慧型體的落地能力。
基本介紹
- 外文名：ClawBench
研發背景,發展歷程,評測體系,運營模式,2026年3月榜單,
研發背景
ClawBench是一個LLM Agent（大模型智慧型體）基準測試機構。隨著大模型技術從技術能力向實用價值轉化，行業需要衡量其落地能力的標尺。
該測試有別於傳統的靜態文本測驗，其設計旨在還原AI在真實世界中的複雜作業流，並關注智慧型體的實際套用能力。
發展歷程
2026年3月16日，智譜AI發布了面向OpenClaw場景的端到端Agent評測基準ZClawBench，覆蓋安裝配置、開發運維、信息蒐集、數據分析等多類任務場景，並公開了題庫與測試軌跡。
2026年3月下旬，ClawBench發布了最新一期大模型榜單，覆蓋2026年3月的評測數據。該榜單基於真實模擬的企業開發環境，涵蓋辦公協作、信息檢索與研究、內容創作、數據處理與分析、軟體工程等核心業務場景。
評測體系
ClawBench是一個關注大模型智慧型體實際套用能力的評測體系。其評測圍繞辦公協同、信息檢索與研究、內容創作、數據處理與分析、軟體工程等業務場景，構建了相應的量化評測標準。
評測採用隔離沙箱執行機制，模型需在模擬的企業開發環境中完成任務，並內嵌“命名不一致”、“目錄缺失”、“日期陷阱”等工程挑戰。
ClawBench發布CLAW SCORE核心評分、運行速度、調用成本、綜合價值等指標。其評分採用“三重評分機制”，依據任務類型分別使用自動化腳本斷言、由大語言模型進行評判，以及兩者加權結合的混合評分方式。
運營模式
在ClawBench的運營模式中，模型首先在平台接受評測，每款模型須在真實模擬的企業開發環境中完成任務。評測完成後，系統會根據評測結果生成CLAW SCORE核心評分、運行速度、調用成本等核心指標，並據此發布全球綜合排名。
ClawBench採用隔離沙箱執行機制，並引入依據任務類型分別採用自動化腳本斷言、前沿LLM擔任“專家評審”以及兩者加權結合的三重評分機制。該評測體系的機制設計旨在評估模型在複雜工作流中的實際部署能力。
作為聚焦大模型智慧型體真實落地能力的評測體系，ClawBench會定期更新評測數據和榜單。
2026年3月榜單
2026年3月下旬，ClawBench發布了最新一期大模型智慧型體能力榜單。本次榜單共收錄了超過40款主流大模型，覆蓋了30項複雜的Agent任務。
榜單結果顯示，智譜GLM-5-Turbo以93.9分的CLAW SCORE登頂榜首。位元組跳動Doubao-Seed-2.0-lite以93.1分位居第二。小米MiMo-V2-Omni以91.2分排名第九。此外，OpenAI GPT-5.4以92.2分位列第三，Claude Opus 4.5以91.5分排名第七，阿里Qwen3.5-35B-A3B以91.4分位列第八。整體上，智譜、位元組跳動、小米總計4款國產模型躋身全球前十。
