Siapa Agen OpenClaw Terkuat yang Sebenarnya? Daftar Peringkat 23 Tugas Nyata Dirilis

marsbitDipublikasikan tanggal 2026-04-08Terakhir diperbarui pada 2026-04-08

Abstrak

Berdasarkan evaluasi 23 tugas dunia nyata pada platform OpenClaw, laporan ini merilis peringkat model AI terkuat berdasarkan tingkat keberhasilan. Evaluasi menggunakan tiga metode penilaian: pemeriksaan otomatis, penilaian oleh LLM (Claude Opus sebagai wasit), dan mode campuran. Tugas yang diuji mencakup berbagai aspek seperti interaksi dasar, operasi file/kode, penulisan konten, penelitian, panggilan alat sistem, dan persistensi memori. Hasil intinya menunjukkan peringkat 10 besar model berdasarkan tingkat keberhasilan tertinggi (Best %) dan rata-rata (Avg %): 1. anthropic/claude-opus-4.6 (93.3% / 82.0%) 2. arcee-ai/trinity-large-thinking (91.9% / 91.9%) 3. openai/gpt-5.4 (90.5% / 81.7%) 4. qwen/qwen3.5-27b (90.0% / 78.5%) 5. minimax/minimax-m2.7 (89.8% / 83.2%) Claude Opus 4.6 memimpin dengan keberhasilan tertinggi, sementara Trinity dari Arcee unggul dalam stabilitas rata-rata. Semua data, tugas, dan metodologi evaluasi bersifat transparan dan dapat direproduksi untuk pengujian mandiri.

Ingin tahu model AI mana yang paling unggul dalam tugas agen dunia nyata OpenClaw?

MyToken telah menyusun tolok ukur transparan yang berfokus mengevaluasi kemampuan pengkodean agen AI berdasarkan situs evaluasi, hanya melihat satu dimensi inti yaitu tingkat keberhasilan (kecepatan dan biaya adalah dimensi independen lainnya, akan dianalisis terpisah nanti). Sepenuhnya terbuka, dapat direproduksi, hanya menyajikan standar evaluasi yang ketat + peringkat 10 besar tingkat keberhasilan terbaru.

I. Dimensi Evaluasi:Tingkat Keberhasilan

Standar spesifik: Persentase jumlah tugas yang diselesaikan secara lengkap dan akurat oleh agen AI. Setiap tugas menggunakan proses yang sangat terstandarisasi:

  • Prompt pengguna yang tepat (Prompt))

Dikirimkan ke agen secara lengkap untuk mensimulasikan skenario permintaan pengguna yang nyata

  • Perilaku yang Diharapkan (Expected Behavior )

Menjelaskan cara implementasi yang dapat diterima dan poin-poin keputusan kunci

  • Kriteria penilaian (checklist)

Mencantumkan daftar pemeriksaan keberhasilan atomik yang dapat diverifikasi poin demi poin

II. Tiga Metode Penilaian

Evaluasi ini terutama menggunakan 3 metode penilaian

  • Pemeriksaan otomatis: Skrip Python langsung memverifikasi konten file, catatan eksekusi, panggilan alat, dan hasil objektif lainnya

  • Wasit model besar LLM: Claude Opus memberikan skor berdasarkan skala terperinci (kualitas konten, kesesuaian, kelengkapan, dll.)

  • Mode campuran: Pemeriksaan objektif otomatis + penilaian kualitatif wasit LLM

Semua definisi tugas, Prompt, logika penilaian sepenuhnya terbuka, untuk memudahkan verifikasi pengujian ulang.

III. Tugas yang Digunakan untuk Evaluasi

Pengujian tolok ukur ini mencakup 23 tugas dari berbagai kategori. Mencakup interaksi dasar, operasi file/kode, penulisan konten, penelitian analisis, panggilan alat sistem, persistensi memori, dan banyak dimensi lainnya, sangat dekat dengan skenario penggunaan OpenClaw sehari-hari oleh pengembang:

  1. Sanity Check(Otomatis)——Memproses instruksi sederhana dan membalas salam dengan benar

  2. <极p data-offset-key="fbvjj-0-0">Calendar Event Creation(Otomatis)——Bahasa alami menghasilkan file kalender ICS standar

  3. Stock Price Research(Otomatis)——Mencari harga saham secara real-time dan mengeluarkan laporan yang diformat

  4. Blog Post Writing(Wasit LLM)——Menulis blog Markdown terstruktur sekitar 500 kata

  5. Weather Script Creation(Otomatis)——Membuat skrip API cuaca Python dengan penanganan kesalahan

  6. Document Summarization(Wasit LLM)——Ringkasan 3 bagian yang disempurnakan tentang tema inti

  7. Tech Conference Research(Wasit LLM)——Meneliti dan mengatur informasi 5 konferensi teknologi nyata (nama, tanggal, lokasi, tautan)

  8. Professional Email Drafting(Wasit LLM)——Dengan sopan menolak rapat dan mengusulkan alternatif

  9. Memory Retrieval from Context(Otomatis)——Mengekstrak tanggal, anggota, tumpukan teknologi, dll. secara akurat dari catatan proyek

  10. File Structure Creation(Otomatis)——Secara otomatis menghasilkan direktori proyek standar, README, .gitignore

  11. Multi-step API Workflow(Campuran)——Membaca konfigurasi → Menulis skrip panggilan → Mendokumentasikan secara lengkap

  12. Install ClawdHub Skill(Otomatis)——Menginstal dari repositori keterampilan dan memverifikasi ketersediaannya

  13. Search and Install Skill(Otomatis)——Mencari keterampilan terkait cuaca dan menginstalnya dengan benar

  14. AI Image Generation(Campuran)——Menghasilkan dan menyimpan gambar sesuai deskripsi

  15. Humanize AI-Generated Blog(Wasit LLM)——Mengubah konten yang terasa mesin menjadi bahasa lisan yang alami

  16. Daily Research Summary(Wasit LLM)——Menyintesis beberapa dokumen menjadi ringkasan harian yang koheren

  17. Email Inbox Triage(Campuran)——Menganalisis beberapa email dan mengatur laporan berdasarkan tingkat urgensi

  18. Email Search and Summarization(Campuran)——Mencari email yang diarsipkan dan menyaring informasi kunci

  19. Competitive Market Research(Campuran)——Analisis pesaing di bidang APM perusahaan

  20. CSV and Excel Summarization(Campuran)——Menganalisis file spreadsheet dan mengeluarkan wawasan

  21. ELI5 PDF Summarization(Wasit LLM)——Menjelaskan PDF teknis dengan bahasa yang dapat dipahami anak 5 tahun

  22. OpenClaw Report Comprehension(Otomatis)——Menjawab pertanyaan spesifik secara akurat dari PDF laporan penelitian

  23. Second Brain Knowledge Persistence(Campuran)——Menyimpan informasi secara lintas sesi dan mengingatnya dengan akurat

IV. Kesimpulan Inti: Peringkat 10 Besar Model Besar Berdasarkan Tingkat Keberhasilan (Best %/Avg % )

  • Data diperbarui hingga 7 April 2026

  • Best % adalah tingkat keberhasilan tertinggi sekali jalan, Avg % adalah tingkat keberhasilan rata-rata beberapa kali, lebih mencerminkan stabilitas

Berikut adalah 10 model dengan tingkat keberhasilan tertinggi

  1. anthropic/claude-opus-4.6(Anthropic)——93.3% / 82.0%

  2. arcee-ai/trinity-large-thinking(Arcee AI)——91.9% / 91.9%

  3. openai/gpt-5.4(OpenAI)——90.5% / 81.7%

  4. qwen/qwen3.5-27b(Qwen)——90.0% / 78.5%

  5. minimax/minimax-m2.7(MiniMax)——89.8% / 83.2%

  6. anthropic/claude-haiku-4.5(Anthropic)——89.5% / 78.1%

  7. qwen/qwen3.5-397b-a17b(Qwen)——89.1% / 80.4%

  8. xiaomi/mimo-v2-flash(Xiaomi)——88.8% / 70.2%

  9. qwen/qwen3.6-plus-preview(Qwen)——88.6% / 84.0%

  10. nvidia/nemotron-3-super-120b-a12b(NVIDIA)——88.6% / 75.5%

Claude Opus 4.6 saat ini memimpin dengan tingkat keberhasilan tertinggi 93.3%, tetapi Trinity dari Arcee menunjukkan performa yang menonjol dalam stabilitas rata-rata, seri Qwen juga memiliki beberapa model yang masuk sepuluh besar, menunjukkan potensi nilai yang sangat kuat. Tingkat keberhasilan adalah ambang batas dasar, dimensi kecepatan dan biaya selanjutnya akan lebih mempengaruhi pengalaman aktual.

Tolok ukur 23 tugas ini sepenuhnya transparan, sangat disarankan untuk mengujinya secara aktual sesuai dengan skenario Anda sendiri. Peringkat model lain, nantikan fitur peringkat agen cerdas yang akan segera diluncurkan oleh MyToken.

(Data bersumber dari pengujian tolok ukur agen OpenClaw yang terbuka untuk umum PinchBench, terus diperbarui.)

Pertanyaan Terkait

QApa yang menjadi fokus utama dari benchmark OpenClaw yang dikembangkan MyToken?

AFokus utamanya adalah mengevaluasi kemampuan agen AI dalam menyelesaikan tugas coding dunia nyata hanya berdasarkan satu dimensi inti: tingkat keberhasilan (success rate), dengan mengesampingkan kecepatan dan biaya untuk analisis terpisah.

QBagaimana cara penilaian dilakukan dalam benchmark ini?

APenilaian dilakukan menggunakan tiga cara: Pemeriksaan Otomatis (skrip Python), Wasit LLM (Claude Opus yang memberi skor), dan Mode Campuran (gabungan pemeriksaan otomatis dan penilaian kualitatif LLM).

QBerapa banyak tugas yang dicakup dalam pengujian benchmark ini?

APengujian benchmark ini mencakup 23 tugas berbeda yang meliputi interaksi dasar, operasi file/kode, pembuatan konten, penelitian analisis, panggilan alat sistem, dan persistensi memori.

QModel AI mana yang meraih peringkat teratas untuk tingkat keberhasilan tertinggi (Best %)?

Aanthropic/claude-opus-4.6 (Anthropic) meraih peringkat teratas dengan tingkat keberhasilan tertinggi (Best %) sebesar 93.3%.

QModel AI mana yang menunjukkan stabilitas terbaik berdasarkan tingkat keberhasilan rata-rata (Avg %)?

Aarcee-ai/trinity-large-thinking (Arcee AI) menunjukkan stabilitas terbaik dengan tingkat keberhasilan rata-rata (Avg %) sebesar 91.9%.

Bacaan Terkait

Data Historis Menunjukkan Harga Bitcoin Belum Pernah Menembus Level Ini – Akankah Dimulai Sekarang?

Data historis menunjukkan bahwa harga Bitcoin telah pulih lebih dari 30% dari titik terendah siklusnya sebanyak enam kali sejak 2011, dan setiap kali hal ini terjadi, aset kripto tersebut tidak pernah kembali menguji level terendah tersebut. Pola konsisten ini terlihat dari November 2011 hingga Agustus 2024. Titik terendah tahun ini tercatat di $61.300 pada Februari, dan saat ini Bitcoin telah pulih sekitar 28%, diperdagangkan di sekitar $77.620. Untuk memenuhi pola historis, Bitcoin hanya perlu naik tambahan 2.7% untuk mencapai level konfirmasi di $79.694, yang secara tradisional menandai dimulainya momentum bullish berkelanjutan. Data ini didukung oleh struktur pasar saat ini, di mana cadangan Bitcoin di bursa mencapai level terendah baru dan akumulasi oleh "paus" dalam 30 hari terakhir merupakan yang tertinggi sejak 2013, dengan penambahan sekitar 270.000 BTC.

bitcoinist1j yang lalu

Data Historis Menunjukkan Harga Bitcoin Belum Pernah Menembus Level Ini – Akankah Dimulai Sekarang?

bitcoinist1j yang lalu

Mengapa Bitcoin Masih Berperilaku Sebagai Aset Berisiko Meski Klaim Sebagai Safe-Haven

Meskipun Bitcoin memiliki karakteristik aset safe-haven seperti portabilitas, resistensi terhadap sensor, dan independensi dari sistem keuangan tradisional, dalam praktiknya ia masih berperilaku seperti aset berisiko. Analis Willy Woo menyatakan bahwa meskipun BTC memiliki sifat-sifat yang diperlukan untuk menjadi penyimpan nilai yang aman, aset ini masih dianggap baru dan belum teruji oleh pool modal besar. Diperkirakan perlu waktu sekitar satu dekade lagi agar BTC benar-benar diakui sebagai safe-haven dan bersaing dengan kapitalisasi pasar emas. Secara teknis, Bitcoin menunjukkan tanda-tanda pelemahan setelah pergeseran struktur pasar bearish pada level tertinggi. Harga telah kembali ke kisaran sebelumnya, menandakan kehilangan momentum. Analis pasar mencatat bahwa likuiditas terkonsentrasi di bawah harga saat ini, dengan posisi long yang jauh lebih banyak daripada short, meningkatkan kemungkinan penurunan harga lebih lanjut. Pola penolakan dari fair value gap (FVG) bulanan juga mengindikasikan bahwa setiap rally tampaknya lebih merupakan reli bantuan daripada kekuatan yang sesungguhnya, sehingga kemungkinan besar pasar akan bergerak lebih rendah lagi.

bitcoinist1j yang lalu

Mengapa Bitcoin Masih Berperilaku Sebagai Aset Berisiko Meski Klaim Sebagai Safe-Haven

bitcoinist1j yang lalu

Catatan 8 Tahun Perjalanan Startup dari Partner AI a16z

Altar AI a16z, seorang mitra yang berfokus pada AI, membagikan refleksi 8 tahun perjalanan wirausaha di bidang AI generatif. Sejak mendirikan Rosebud AI pada 2018, ia mengembangkan alat kreatif berbasis AI seperti TokkingHeads, yang bertujuan membuat proses kreasi semudah bermain game. Meski model AI saat itu masih terbatas, produknya berhasil menarik jutaan pengguna dengan desain yang memaksimalkan pengalaman "cukup berguna". Perkembangan teknologi dari CycleGAN hingga GPT-4 membuka batas baru dalam generasi kode dan kreasi interaktif. Penulis menekankan bahwa tahap pertama AI generatif (membuktikan kemampuan) hampir berakhir, dan kompetisi selanjutnya akan fokus pada bagaimana kemampuan ini diorganisir, diproduktifikasi, dan diintegrasikan ke dunia nyata. Setelah meninggalkan peran CEO di Rosebud AI, ia kini bergabung dengan a16z untuk berinvestasi dalam infrastruktur dan stack AI frontier. Ia percaya bahwa inovasi di bidang matematika, sains, dan alat kreatif akan terus didorong oleh kemajuan AI, sambil mengingatkan pentingnya memilih produk yang berada di luar jalur utama laboratorium penelitian.

marsbit3j yang lalu

Catatan 8 Tahun Perjalanan Startup dari Partner AI a16z

marsbit3j yang lalu

Berapa Banyak Token Lagi yang Dibutuhkan Yang Zhilin untuk Mencapai 'Bulan yang Mengejar Cahaya'?

Artikel ini membahas kecemasan strategis Yang Zhilin, pendiri MoonDark (Kimi), dalam persaingan sengit dengan DeepSeek di pasar AI China. Meski Kimi mencapai pencapaian teknis seperti model K2.6 dengan kemampuan multi-Agent dan konteks panjang, tekanan datang dari sisi komersialisasi, valuasi, dan persaingan dengan raksasa teknologi seperti ByteDance. DeepSeek, dengan model V4-nya yang open-source dan efisien, menantang posisi Kimi dengan pendekatan teknis yang berbeda dan valuasi yang lebih tinggi. Kedua perusahaan, meski bersaing, saling memengaruhi dalam inovasi teknis dan mendorong batas kemampuan AI China. Tantangan terbesar Yang adalah membuktikan nilai unik Kimi di tengah ekspektasi tinggi investor dan persaingan global, sambil menjaga pertumbuhan berkelanjutan menuju IPO. Artikel menekankan bahwa persaingan ini justru menguntungkan ekosistem AI China, yang kini hampir menyamai kemampuan AS.

marsbit4j yang lalu

Berapa Banyak Token Lagi yang Dibutuhkan Yang Zhilin untuk Mencapai 'Bulan yang Mengejar Cahaya'?

marsbit4j yang lalu

TechFlow Intelligence: ChatGPT Bantu Matematikawan Amatir Pecahkan Masalah 60 Tahun, CFTC Gugat Regulator New York Terkait Coinbase dan Gemini

Seorang matematikawan amatir berhasil memecahkan teka-teki matematika kombinatorial yang diajukan Paul Erdős pada 1960-an dengan bantuan ChatGPT, menandai terobosan AI dalam penalaran formal. Sementara itu, CFTC menggugat regulator New York karena dianggap mengintervensi kewenangan federal dalam pengawasan Coinbase dan Gemini, memicu konflik federal-negara bagian pertama di ranah kripto. OpenAI meluncurkan alat filter privasi untuk API perusahaan, sementara Qwen3.6-27B mencapai 100 token/detik pada GPU konsumen, mempercepat akses lokal ke model AI. Di DeFi, protokol utama membentuk dana pemulihan setelah eksploitasi KelpDAO, dan Tether membekukan $344 juta milik bank sentral Iran atas perintah OFAC. Litecoin melakukan reorganisasi blockchain selama 3 jam untuk menutup kerentanan privasi, memicu debat tentang kerapuhan desentralisasi. Trump menggunakan Defense Production Act untuk mengatasi kelangkaan listrik pusat data dan memecat seluruh anggota National Science Board, mengkhawatirkan dunia penelitian. Intinya: Kemampuan AI memberdayakan individu, tetapi struktur kekuasaan terpusat—baik pemerintah maupun protokol—semakin menguat. Desentralisasi bukan lagi masalah teknis, melainkan politis-ekonomis.

marsbit4j yang lalu

TechFlow Intelligence: ChatGPT Bantu Matematikawan Amatir Pecahkan Masalah 60 Tahun, CFTC Gugat Regulator New York Terkait Coinbase dan Gemini

marsbit4j yang lalu

Trading

Spot
Futures
活动图片

Kategori Populerright-arrow

Tag Populerright-arrow