PinchBench 是 Kilo Code 团队开发的开源基准测试系统，用于评估大型语言模型作为 OpenClaw 编码代理核心的表现。该系统运行一组固定真实世界任务，计算代理的任务完成成功率，同时记录执行速度和成本。所有结果通过公开排行榜 https://pinchbench.com 显示，目前包含 50 个模型的 403 次运行记录，最新更新时间为 2026 年 3 月 18 日。基准测试的代码和任务定义全部开源在 GitHub（pinchbench/skill 仓库），任何开发者均可本地复现或添加
覆盖9种编程语言的大模型软件工程能力的评测基准
查看 SWE-bench Multilingual 的最新得分、模型模式、发布时间与参数规模，快速了解当前完整榜单表现。
数据优先来自官方发布（GitHub、Hugging Face、论文），其次为评测基准官方结果，最后为第三方评测机构数据。 了解数据收集方法
| 排名 | 模型 | 开源情况 | |||
|---|---|---|---|---|---|
 Claude Mythos Preview 扩展思考工具 | 87.30 | 2026-04-07 | 未知 | 闭源 | |
 Composer 2.5 开启思考 | 79.80 | 2026-05-18 | 未知 | 闭源 | |
 Qwen3.7-Max-Preview 开启思考工具 | 78.30 | 2026-05-20 | 10000亿 | 闭源 | |
4 |  Kimi K2.6 开启思考工具 | 76.70 | 2026-04-20 | 10000亿 | 免费商用 |
5 |  DeepSeek-V4-Pro 思考水平·极高工具 | 76.20 | 2026-04-24 | 16000亿 | 免费商用 |
6 | DeepSeek-V4-Pro 思考水平·高工具 | 74.10 | 2026-04-24 | 16000亿 | 免费商用 |
7 | 73.80 | 2026-03-31 | 未知 | 闭源 | |
8 | Qwen3.6-Max-Preview 开启思考工具 | 73.80 | 2026-04-20 | 10000亿 | 闭源 |
9 | Composer 2 开启思考 | 73.70 | 2026-03-19 | 未知 | 闭源 |
10 | DeepSeek-V4-Flash 思考水平·极高工具 | 73.30 | 2026-04-24 | 2840亿 | 免费商用 |
11 | Kimi K2.5 开启思考 | 73.00 | 2026-01-27 | 10000亿 | 免费商用 |
12 | Claude Opus 4.6 扩展思考工具 | 72.00 | 2026-02-05 | 未知 | 闭源 |
13 | Qwen3.6-27B 开启思考工具 | 71.30 | 2026-04-22 | 270亿 | 免费商用 |
14 | DeepSeek-V4-Flash 思考水平·高工具 | 70.20 | 2026-04-24 | 2840亿 | 免费商用 |
15 | DeepSeek-V4-Pro 常规模式工具 | 69.80 | 2026-04-24 | 16000亿 | 免费商用 |
16 | DeepSeek-V4-Flash 常规模式工具 | 69.70 | 2026-04-24 | 2840亿 | 免费商用 |
17 | 69.30 | 2026-02-16 | 397亿 | 免费商用 | |
18 | Qwen3.6-35B-A3B 开启思考 | 67.20 | 2026-04-16 | 350亿 | 免费商用 |
19 | Composer 1.5 开启思考 | 65.90 | 2026-02-09 | 未知 | 闭源 |
20 | Composer 1 开启思考 | 56.90 | 2025-10-29 | 未知 | 闭源 |
