ClawProBench

收录理由

ClawProBench 解决的是一个很具体的问题：在 OpenClaw 运行时里比较智能体模型，而且是在真实执行的任务上比，不是拿静态问答集凑数。它让智能体在超过一百个场景里实时跑起来，用确定性评分来判定结果，同一任务反复跑，通过或不通过始终一致，不会出现分数忽高忽低的情况。这种稳定性正是你在把某个工作流托付给特定模型之前，最需要确认的东西。项目还公开了排行榜和 Hugging Face 数据集，你可以复现结果，也可以往套件里加自己的场景。对于要选生产用智能体模型的团队，以及想要一套透明、扎根于实际运行环境的评估方案的研究者来说，这个测试框架和它生成的结构化报告都相当实用。