首个龙虾大模型排行榜：两国产AI杀进前三APPSO

首个龙虾AI基准测试排行榜出炉，32款模型同台竞技，Gemini 3 Flash以95.1%成功率夺冠，国产MiniMax与Kimi双双杀入全球前三，完胜GPT-4o。扎心的是，Claude旗舰版成本高达竞品近200倍，准确率反不及中端模型。

你现在养了几只龙虾？

这就是现在打招呼最常见的问题，上周腾讯深圳总部排起龙等着免费装 OpenClaw，真是一代人有一代人的鸡蛋。

连黄仁勋也盛赞 OpenClaw 为「有史以来最重要的软件发布」，认为它已经证明了 AI 在高度个性化环境中，能够完美复刻人类的复杂工作流。

养龙虾太过火爆，也终于出现专门针对 OpenClaw 的基准测试 PinchBench，用于评估大语言模型在 OpenClaw 任务中的表现。

PinchBench 评分方式也很硬核，有的任务看代码能不能跑通（自动化检查），有的看写得好不好（Claude Opus 当评委），还有的是两者结合。所有题目和答案都开源在 GitHub 上，谁都可以去验货。

今天，OpenClaw 创始人 Peter Steinberger 分享这个龙虾基准测试排行榜。

PinchBench 一口气测了 32 款主流大模型，从成功率、速度、费用三个维度，看看哪个模型最适合养龙虾。

PinchBench 官网：https://pinchbench.com/

Gemini 3 Flash 成功率最高，国产模型也杀疯了

来看最重磅的成功率排名。

Google 的 Gemini 3 Flash Preview 以 95.1% 的成功率夺冠，这个成绩说实话让我有点意外。因为 Flash 系列一直是 Gemini 的「轻量版」，主打快和便宜，没想到这次在准确率上直接把自家 Pro 老大哥和 Claude、GPT 系列全超了。

这说明Google 在模型效率优化上是真的下了功夫。轻量模型不代表能力弱，关键看怎么调。

第二名是 MiniMax M2.1，成功率 93.6%。国产模型真的站起来了，MiniMax 的表现相当亮眼，成功压过了 Claude Sonnet 4.5（92.7%）和 GPT-4o（85.2%）。

Kimi K2.5 紧随其后，成功率 93.4%。Kimi 的长文本能力一直很强，这次在编程任务上也证明了自己。和 MiniMax 一起，国产双雄直接占据了 TOP3 的两个席位。

再往后看，Claude Sonnet 4.5 排第四（92.7%），Gemini 3 Pro 第五（91.7%），Claude Haiku 4.5 第六（90.8%）。

有意思的是，Claude Opus 4.6 作为 Anthropic 的旗舰大模型，成功率只有 90.6%，排在第七。

看来「大」不一定「强」，至少在编程这个场景下，中端模型反而更香。

唯快不破，MiniMax 赢麻了

在开发这些重度任务中，谁都不想对着屏幕干等。速度接影响干活的心情。

MiniMax M2.5 以 105.96 秒的成绩拿下速度冠军，完成全部测试任务。什么概念？比第二名 Gemini 2.0 Flash 只快了 0.09 秒，但第一就是第一。

第三名 Llama 3.1 70B（106.14 秒）、第四名 Gemini 1.5 Pro（106.85 秒）、第五名 Mistral Large（107.72 秒）——这几个差距都不大，基本在同一梯队。

但往下看就有意思了。

Claude Sonnet 4 用了 137.66 秒，比第一梯队慢了 30 秒。Gemini 3 Pro 更是用了 239.55 秒，是 MiniMax M2.5 的两倍多。

这说明一个规律：轻量级模型普遍更快。如果你做的是快速原型开发、需要频繁迭代，选轻量模型准没错。但如果是那种「跑一遍就行」的任务，等等大模型也无妨。

怎么养龙虾最划算

养龙虾，精打细算很重要，毕竟很多OpenClaw 任务都是 Token 无底洞，稍不留神就能让你怀疑人生。

GPT-5 Nano 以 0.03 美元的成本成为全场最便宜的选择，成功率 85.8%。虽然准确率不算顶尖，但这个价格……还要什么自行车？适合预算有限、对错误容忍度高的场景。

Gemini 2.5 Flash Lite 排第二，只要 0.05 美元，成功率 83.2%。这个性价比就很能打了——成本是 GPT-5 Nano 的不到两倍，成功率只低了 2.6 个百分点。

MiniMax M2.1 排第五，成本 0.14 美元，但别忘了它的成功率是 93.6%。算下来每百分点的成本只有 0.0015 美元，性价比极高。

再看高端模型的成本，就有点触目惊心了。