ClawWork

收录理由

大多数基准测试只关心模型有多聪明，而 ClawWork 提出的问题更实际：智能体能否靠真实付费工作赚到钱。它从实际经济领域抽取了 220 个任务，让智能体带着一笔小额启动资金开工，每消耗一个 token 都计入成本。成本控制得当、产出质量稳定，余额就会增长；如果只顾烧 token 却拿不出可用的成果，资金很快就会耗尽。仓库自带一个 React 仪表盘，实时展示各智能体的余额、完成任务数和存活时长，方便把不同模型配置放在一起对比。对于想核算自家 LLM 方案成本效率的团队，或是需要一套贴近真实经济工作场景的评估工具的研究人员，这个项目提供的是一个可以跑起来的框架，而不是停留在纸上的方法论。