Claw Eval (pass^3)编程Agent

Kimi Claw 评估基准的另一命名，同样使用 Pass@3 指标。测试 AI Agent 在真实桌面操作系统环境中完成 GUI 交互任务的能力，包括文件操作、浏览器导航、办公软件使用等，衡量 Agent 作为计算机助手的实用性。

排行数据源

#模型得分

1

MiniMax M3MiniMax

74.5%

2

Claude Opus 4.8Anthropic

72.1%

3

Claude Opus 4.7Anthropic

71.6%

4

Claude Opus 4.6Anthropic

70.8%

5

混元3腾讯

68.5%

6

Claude Sonnet 4.6Anthropic

68.3%

7

GPT-5.5OpenAI

67.8%

8

Qwen3.7-Max阿里巴巴

65.2%

9

GLM-5.1智谱AI

62.7%

10

GLM-5.2智谱AI

62.4%

共 21 个模型

返回基准目录