评测专题 · PinchBench

AI Coding Agent 实力排行

基于 PinchBench 标准化评测的 AI 编程 Agent 成功率排行，叠加 ModelPriceLab 已存挂牌价记录，帮助你对照评测表现与公开价格。

57 个模型· 15 项 Code & DevOps 任务· 价格叠加·

成功率排行榜

成功率 = 通过的标准化 OpenClaw Agent 任务数占比。分数通过自动检查 + LLM 评审综合评定。

模型

成功率

评测花费

Input / 1M

Output / 1M

🦞Xiaomi MiMo-V2.5 Pro

xiaomi/mimo-v2.5-pro

成功率

98.0%

评测花费

11.39

Input / 1M

$0.43

Output / 1M

$0.87

🦀Xiaomi MiMo-V2.5

xiaomi/mimo-v2.5

成功率

97.9%

评测花费

5.44

Input / 1M

$0.14

Output / 1M

$0.28

🦐MiniMax M2.7

minimax/minimax-m2.7

成功率

96.2%

评测花费

2.08

Input / 1M

$0.21

Output / 1M

$0.84

Claude Opus 4.7

anthropic/claude-opus-4.7

成功率

95.9%

评测花费

38.04

Input / 1M

$2.50

Output / 1M

$12.50

ByteDance Seed 2.0 Lite

bytedance-seed/seed-2.0-lite

成功率

94.9%

评测花费

1.74

Input / 1M

$0.25

Output / 1M

$2.00

GLM 5V Turbo

z-ai/glm-5v-turbo

成功率

94.9%

评测花费

12.81

Input / 1M

$1.20

Output / 1M

$4.00

Claude Opus 4.8 Fast

anthropic/claude-opus-4.8-fast

成功率

94.5%

评测花费

159.60

Input / 1M

$2.50

Output / 1M

$12.50

Claude Sonnet 4.6

anthropic/claude-sonnet-4.6

成功率

94.5%

评测花费

15.18

Input / 1M

$1.50

Output / 1M

$7.50

DeepSeek-V4 Flash

deepseek/deepseek-v4-flash

成功率

94.0%

评测花费

0.88

Input / 1M

$0.15

Output / 1M

$0.60

#10

Gemma 4 26B

google/gemma-4-26b-a4b-it

成功率

93.9%

评测花费

0.45

Input / 1M

$0.07

Output / 1M

$0.23

#11

Qwen3.7 Max

qwen/qwen3.7-max

成功率

93.8%

评测花费

19.43

Input / 1M

$1.48

Output / 1M

$4.42

#12

Grok 4.3

x-ai/grok-4.3

成功率

93.7%

评测花费

13.00

Input / 1M

$1.25

Output / 1M

$2.50

#13

Gemma 4 31B

google/gemma-4-31b-it

成功率

93.6%

评测花费

1.03

Input / 1M

$0.09

Output / 1M

$0.34

#14

Qwen3.6 Plus

qwen/qwen3.6-plus

成功率

93.6%

评测花费

6.97

Input / 1M

$0.33

Output / 1M

$1.95

#15

Nemotron 3.5 Lightning 30B

nvidia/nemotron-3.5-lightning-30b-a3b

成功率

93.4%

评测花费

Input / 1M

Output / 1M

#16

Mistral Devstral 2512

mistralai/devstral-2512

成功率

93.4%

评测花费

2.30

Input / 1M

$0.40

Output / 1M

$2.00

#17

Claude Opus 4.8

anthropic/claude-opus-4.8

成功率

92.8%

评测花费

80.10

Input / 1M

$2.50

Output / 1M

$12.50

#18

GLM 5.1

z-ai/glm-5.1

成功率

92.6%

评测花费

Input / 1M

$1.40

Output / 1M

$4.40

#19

DeepSeek-V4 Pro

deepseek/deepseek-v4-pro

成功率

92.3%

评测花费

Input / 1M

$0.66

Output / 1M

$1.98

#20

GPT-5.5

openai/gpt-5.5

成功率

92.3%

评测花费

22.17

Input / 1M

$2.50

Output / 1M

$15.00

#21

Gemini 3 Flash Preview

google/gemini-3-flash-preview

成功率

92.3%

评测花费

3.09

Input / 1M

$0.50

Output / 1M

$3.00

#22

Nemotron 3 Ultra 550B

nvidia/nemotron-3-ultra-550b-a55b

成功率

92.0%

评测花费

Input / 1M

$0.50

Output / 1M

$2.20

#23

Gemini 3.1 Flash Lite

google/gemini-3.1-flash-lite

成功率

91.3%

评测花费

3.79

Input / 1M

$0.25

Output / 1M

$1.50

#24

GPT-5.6 Sol

openai/gpt-5.6-sol

成功率

90.9%

评测花费

65.60

Input / 1M

$4.00

Output / 1M

$20.00

#25

Qwen3.6 Flash

qwen/qwen3.6-flash

成功率

89.9%

评测花费

12.59

Input / 1M

$0.19

Output / 1M

$1.13

#26

Claude Haiku 4.5

anthropic/claude-haiku-4.5

成功率

89.8%

评测花费

1.69

Input / 1M

$1.00

Output / 1M

$5.00

#27

Gemini 3.5 Flash

google/gemini-3.5-flash

成功率

89.8%

评测花费

25.84

Input / 1M

$1.50

Output / 1M

$9.00

#28

Gemini 3.1 Pro Preview

google/gemini-3.1-pro-preview

成功率

89.6%

评测花费

15.84

Input / 1M

$2.00

Output / 1M

$12.00

#29

Grok 4.5

x-ai/grok-4.5

成功率

89.5%

评测花费

6.15

Input / 1M

$2.00

Output / 1M

$6.00

#30

Grok 4.20

x-ai/grok-4.20

成功率

89.4%

评测花费

16.68

Input / 1M

$1.25

Output / 1M

$2.50

#31

Step 3.5 Flash

stepfun/step-3.5-flash

成功率

89.3%

评测花费

0.50

Input / 1M

$0.10

Output / 1M

$0.30

#32

Sakana Fugu Ultra

sakana/fugu-ultra

成功率

89.0%

评测花费

86.11

Input / 1M

$5.00

Output / 1M

$30.00

#33

GLM 5 Turbo

z-ai/glm-5-turbo

成功率

88.9%

评测花费

5.89

Input / 1M

$1.20

Output / 1M

$4.00

#34

GPT-5.4

openai/gpt-5.4

成功率

88.3%

评测花费

10.38

Input / 1M

$1.25

Output / 1M

$7.50

#35

Kimi K2.7 Code

moonshotai/kimi-k2.7-code

成功率

88.1%

评测花费

10.32

Input / 1M

$0.67

Output / 1M

$3.35

#36

GPT-5.4 Mini

openai/gpt-5.4-mini

成功率

87.8%

评测花费

3.40

Input / 1M

$0.38

Output / 1M

$2.25

#37

Trinity Large Thinking

arcee-ai/trinity-large-thinking

成功率

87.0%

评测花费

1.29

Input / 1M

$0.25

Output / 1M

$0.80

#38

GPT-5.6 Luna

openai/gpt-5.6-luna

成功率

86.7%

评测花费

14.36

Input / 1M

$0.10

Output / 1M

$0.60

#39

Aion 3.0

aion-labs/aion-3.0

成功率

85.8%

评测花费

30.26

Input / 1M

$3.00

Output / 1M

$6.00

#40

Grok Build 0.1

x-ai/grok-build-0.1

成功率

85.8%

评测花费

19.03

Input / 1M

$1.00

Output / 1M

$2.00

#41

Kimi K2.5

moonshotai/kimi-k2.5

成功率

83.4%

评测花费

2.77

Input / 1M

$0.45

Output / 1M

$2.25

#42

Mistral Small 2603

mistralai/mistral-small-2603

成功率

82.8%

评测花费

2.17

Input / 1M

$0.15

Output / 1M

$0.60

#43

GLM 5.2

z-ai/glm-5.2

成功率

81.9%

评测花费

18.20

Input / 1M

$0.02

Output / 1M

$16.00

#44

Mistral Large 2512

mistralai/mistral-large-2512

成功率

81.8%

评测花费

0.48

Input / 1M

$0.50

Output / 1M

$1.50

#45

Ling 2.6 1T

inclusionai/ling-2.6-1t

成功率

81.4%

评测花费

7.00

Input / 1M

$0.02

Output / 1M

$0.06

#46

GPT-5.4 Nano

openai/gpt-5.4-nano

成功率

78.6%

评测花费

0.78

Input / 1M

$0.20

Output / 1M

$1.25

#47

GPT-5.6 Terra

openai/gpt-5.6-terra

成功率

76.0%

评测花费

24.13

Input / 1M

$1.00

Output / 1M

$6.00

#48

Trinity Large Preview

arcee-ai/trinity-large-preview

成功率

72.2%

评测花费

1.90

Input / 1M

$0.25

Output / 1M

$0.80

#49

Nemotron 3 Super 120B

nvidia/nemotron-3-super-120b-a12b

成功率

67.0%

评测花费

Input / 1M

$0.08

Output / 1M

$0.45

#50

GPT OSS 120B

openai/gpt-oss-120b

成功率

64.7%

评测花费

0.30

Input / 1M

$0.04

Output / 1M

$0.17

#51

Amazon Nova 2 Lite V1

amazon/nova-2-lite-v1

成功率

50.8%

评测花费

0.84

Input / 1M

$0.30

Output / 1M

$2.50

#52

GPT OSS 20B

openai/gpt-oss-20b

成功率

50.0%

评测花费

0.31

Input / 1M

$0.02

Output / 1M

$0.09

#53

GPT-5.5 Pro

openai/gpt-5.5-pro

成功率

48.9%

评测花费

153.44

Input / 1M

$15.00

Output / 1M

$90.00

#54

Claude Fable 5

anthropic/claude-fable-5

成功率

37.8%

评测花费

114.16

Input / 1M

$10.00

Output / 1M

$50.00

#55

Claude Sonnet 4

anthropic/claude-sonnet-4

成功率

22.3%

评测花费

21.19

Input / 1M

$3.00

Output / 1M

$15.00

#56

Llama 3.1 70B Instruct

meta-llama/llama-3.1-70b-instruct

成功率

19.0%

评测花费

5.00

Input / 1M

$0.40

Output / 1M

$0.40

#57

Llama 4 Scout

meta-llama/llama-4-scout

成功率

8.4%

评测花费

0.24

Input / 1M

$0.10

Output / 1M

$0.30

评测数据来源：PinchBench (pinchbench.com)，每日自动同步，最新记录 2026-10-05。价格数据来源：ModelPriceLab。该排行榜仅供参考，不构成决策建议。

关于 PinchBench

PinchBench 是一个开源的 AI Agent 编程能力评测系统，使用 15 个 Code & DevOps 标准化任务测试 LLM 作为 OpenClaw 编程 Agent 的表现。与传统 LLM 基准测试不同，PinchBench 着重测试工具调用、多步推理、处理模糊指令的能力，以及实际交付结果。

工具调用

能否正确调用工具并传入合适参数

多步推理

能否把多个步骤串联起来完成复杂任务

真实场景

能否处理模糊指令和不完整信息

实际交付

是否真正创建了文件、发送了邮件、安排了日程

GitHub ↗

23 项评测任务

涵盖日历创建、代码编写、文档摘要、邮件分类、市场调研等真实场景。每项任务通过自动检查、LLM 评审或混合方式评分。

✅Sanity Check

自动评分

📅Calendar Event

自动评分

📈Stock Research

自动评分

✍️Blog Writing

LLM 评审

🌤️Weather Script

自动评分

📄Doc Summary

LLM 评审

🎤Conference Research

LLM 评审

✉️Email Drafting

LLM 评审

🧠Memory Retrieval

自动评分

📁File Structure

自动评分

🔄API Workflow

混合评分

🔌Skill Install

自动评分

🔍Skill Search

自动评分

🎨Image Generation

混合评分

🤖Humanize AI Text

LLM 评审

📊Research Summary

LLM 评审

📬Email Triage

混合评分

🔎Email Search

混合评分

🏢Market Research

混合评分

📑CSV/Excel Analysis

混合评分

👶ELI5 PDF Summary

LLM 评审

📖Report Comprehension

自动评分

💾Knowledge Persistence

混合评分

关键发现

双满分领跑

Claude Opus 4.6 与 Inception Mercury 2 同获 100% 成功率；Claude Opus 4.8 Fast 以 94.5% 紧随其后。

Anthropic 深度霸榜

6 款 Claude 全部上榜，Top 13 占 5 席——从 Opus 4.6 (100%) 到 Haiku 4.5 (90.4%) 保持一致水准。

成本差 57 倍

DeepSeek-V4 Flash 成功率 91.5%、单次评测仅 $1.44；榜首梯队单次 $47–$165。成功率相近时价格值得优先比较。

把评测分数和 API 价格放在一起看，才能做出更好的选型决策

在 ModelPriceLab 查看完整的价格矩阵、场景榜单和方案库，找到适合你业务的最优组合。

查看价格矩阵场景榜单