終於出了一個真正重要的基準測試。

忘掉 MMLU 和數學分數吧…… PinchBench 測試哪個 AI 模型在執行實際工作方面表現最佳。
不是回答 trivia，而是真正完成任務：
→ 從多個網路資源查詢資訊
→ 創建並安排會議
→ 組織電腦上的檔案
→ 撰寫和管理電子郵件
它測試模型作為代理人通過 OpenClaw 運行……意味著 AI 必須使用工具、鏈接操作，並完成端到端的任務。
結果非常有趣：
> Gemini 3 Flash 以 95.1% 領先
> MiniMax M2.1 緊追其後，達到 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%
前後模型的差距只有約 10%……這意味著大多數前沿模型在代理任務上的表現已經相當不錯。
但真正的重點是？Gemini Flash……一個輕量級模型……在實用代理工作中超越了所有重量級模型。速度 + 工具使用 > 純粹智慧。
這種基準測試應該決定你每天使用的模型，而不是一些沒有人關聯的學術測試。