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
排名规则:按「Accuracy」从高到低排列,同分并列。同一模型的不同思考档位或工具设置各占一行、分别排名。
| 排名 | 模型 | 开源情况 | |||
|---|---|---|---|---|---|
![]() Claude Fable 5.2 思考水平·Max工具 | 96.60 | 2026-11-09 | 未知 | 闭源 | |
![]() Claude Opus 5.5 思考水平·Max工具 | 93.90 | 2026-09-22 | 未知 | 闭源 | |
![]() Claude Sonnet 5.5 思考水平·Max工具 | 90.30 | 2026-09-28 | 未知 | 闭源 | |
4 | ![]() Claude Opus 5 思考水平·Max工具 | 89.50 | 2026-07-24 | 未知 | 闭源 |
5 | ![]() Claude Fable 5.1 思考水平·Max工具 | 89.10 | 2026-09-01 | 未知 | 闭源 |
6 | ![]() Claude Mythos Preview 扩展思考工具 | 87.30 | 2026-04-07 | 未知 | 闭源 |
7 | ![]() Intern-S2-397B 开启思考工具 | 84.00 | 2026-09-09 | 3970亿 | 免费商用 |
8 | ![]() Claude Haiku 5.5 思考水平·Max工具 | 83.70 | 2026-10-07 | 未知 | 闭源 |
9 | ![]() Hy4 preview 思考水平·高工具 | 82.90 | 2026-08-28 | 7700亿 | 免费商用 |
10 | ![]() Inkling 2 Small 思考水平·极高工具 | 81.20 | 2026-11-05 | 5940亿 | 已宣布 · 待发布 |
11 | ![]() Qwen3.8-Flash-Next 思考水平·极高工具 | 81.00 | 2026-08-26 | 1250亿 | 有条件商用 |
12 | ![]() Composer 2.5 开启思考 | 79.80 | 2026-05-18 | 未知 | 闭源 |
13 | ![]() Qwen3.7 Max 开启思考工具 | 78.30 | 2026-05-20 | 未知 | 闭源 |
14 | Beam unknown工具 | 78.00 | 2026-10-05 | 5010亿 | 免费商用 |
15 | ![]() Claude Opus 4.6 扩展思考工具 | 77.83 | 2026-02-05 | 未知 | 闭源 |
16 | ![]() SWE-1.7 unknown工具 | 77.80 | 2026-07-08 | 未知 | 闭源 |
17 | ![]() Kimi K2.6 开启思考工具 | 76.70 | 2026-04-20 | 10000亿 | 免费商用 |
18 | ![]() MiniMax-M2.7 开启思考工具 | 76.50 | 2026-03-18 | 2290亿 | 非商用 |
19 | ![]() DeepSeek-V4-Pro 思考水平·极高工具 | 76.20 | 2026-08-13 | 16000亿 | 免费商用 |
20 | ![]() Hy3 思考水平·高工具 | 75.80 | 2026-07-06 | 2950亿 | 免费商用 |
21 | ![]() DeepSeek-V4-Pro 思考水平·高工具 | 74.10 | 2026-08-13 | 16000亿 | 免费商用 |
22 | 73.80 | 2026-03-31 | 未知 | 闭源 | |
23 | ![]() Composer 2 开启思考 | 73.70 | 2026-03-19 | 未知 | 闭源 |
24 | ![]() DeepSeek-V4-Flash 思考水平·极高工具 | 73.30 | 2026-04-24 | 2840亿 | 免费商用 |
25 | ![]() Kimi K2.5 开启思考 | 73.00 | 2026-01-27 | 10000亿 | 免费商用 |
26 | ![]() Gemini 3.0 Flash unknown工具 | 72.70 | 2025-12-17 | 未知 | 闭源 |
27 | ![]() Doubao Seed 2.0 Pro 开启思考工具 | 71.70 | 2026-02-01 | 未知 | 闭源 |
27 | MiMo-V2-Flash 开启思考工具 | 71.70 | 2025-12-16 | 3090亿 | 免费商用 |
29 | ![]() Qwen3.6-27B 开启思考工具 | 71.30 | 2026-04-22 | 270亿 | 免费商用 |
30 | ![]() Opus 4.5 unknown工具 | 70.70 | 2025-11-25 | 未知 | 闭源 |
截至 2026-10-25,SWE-bench Multilingual 按「Accuracy」排名(越高越好),共收录 46 个模型。Claude Opus 5.5(最高档) 93.9% 位列第一,其后是 Claude Sonnet 5.5(最高档) 90.3%、Claude Opus 5(最高档) 89.5%。最近发布的 Nemotron 3.5 Super VL(2026-10-15)排在第 32 位。开源权重模型中表现最好的是 Intern-S2-397B 84%,排第 6 位。前几名多为模型厂商自报成绩,测试配置未必一致,比较时需留意。