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. 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

Strategi Mempertahankan Dividen STRC Preferen di 12% karena Harga Masih di Bawah Par

Saham preferen STRC Strategy tetap membayar dividen 12% untuk Agustus, meskipun harganya masih di bawah nilai pari $100. Harga saham ditutup pada $89.46 di akhir Juli, mengalami kenaikan 5.42% untuk bulan tersebut. Chairman Michael Saylor menyampaikan bahwa dividen akan terus dibayar dua kali sebulan. CEO Phong Le menegaskan kembali tujuan perusahaan agar STRC diperdagangkan pada kisaran $99-$100. Perusahaan melaporkan kerugian bersih kuartal II sebesar $8.22 miliar, terutama karena kerugian belum terealisasi pada kepemilikan Bitcoinnya seiring penurunan harga kripto tersebut. Namun, Strategy telah membangun cadangan tunai sebesar $3.75 miliar untuk mendukung pembayaran dividen saham preferen dan kewajiban bunga, yang diklaim cukup untuk lebih dari dua tahun. Perusahaan juga telah membeli kembali $25 juta saham preferen STRC-nya dengan diskon dan berencana melanjutkan pembelian selama harganya di bawah $100.

cointelegraph43m yang lalu

Strategi Mempertahankan Dividen STRC Preferen di 12% karena Harga Masih di Bawah Par

cointelegraph43m yang lalu

Penarikan Bitcoin Terus Berlanjut: Penyimpanan 8 Tahun di Dompet Dingin Coldcard Berakhir dengan Nol

Dompet keras Coldcard Dihack, Aset Bitcoin Senilai $88,6 Juta Dicuri Dompet keras Coldcard mengalami kerentanan keamanan serius, menyebabkan gelombang penarikan paksa dana pengguna. Menurut Galaxy Research, total 1.367,05 BTC (sekitar $88,6 juta) telah dicuri dari 4.585 alamat yang rentan. Masalahnya bukan pada perangkat lunak (firmware), yang sudah diperbarui oleh pengembang Coinkite. Akar masalahnya ada pada seed phrase (frasa pemulihan) yang dihasilkan oleh perangkat antara Maret 2021 dan versi firmware tertentu. Kesalahan pemrograman menyebabkan generator angka acak perangkat beralih dari komponen keras ke generator perangkat lunak (Yasmarang) yang dapat diprediksi. Seed phrase yang dibuat dalam periode rentan ini dapat ditebak melalui serangan brute-force secara offline. Perangkat yang terdampak mencakup model Mk2/Mk3 (firmware 4.0.1–4.1.9), Mk4/Mk5 (sebelum v5.6.0), dan Q (sebelum v1.5.0Q). Satu-satunya cara untuk mengamankan dana adalah dengan membuat seed phrase BARU pada firmware yang telah diperbaiki dan memindahkan semua aset ke alamat baru tersebut. Memperbarui firmware saja tidak mengubah seed phrase lama yang sudah rentan. Insiden ini menghancurkan bagi investor jangka panjang. Satu korban, seorang pria 39 tahun, kehilangan 2 BTC ($130.000) yang ia kumpulkan selama 8 tahun melalui kerja keras. Ia menggunakan Bitcoin sebagai lindung nilai terhadap hiperinflasi di negaranya dan menyimpannya dengan aman di dompet dingin untuk pensiun dini. Pencurian instan ini menghancurkan rencananya dan mengungkap kerapuhan strategi 'simpan dan lupakan' meski dengan perangkat keras sekalipun. Kasus ini mengingatkan pada insiden serupa di masa lalu di mana kelemahan generator angka acak merusak keamanan kriptografi. Ini mempertanyakan asumsi bahwa penyimpanan offline selalu identik dengan keamanan mutlak.

cryptonews.ru47m yang lalu

Penarikan Bitcoin Terus Berlanjut: Penyimpanan 8 Tahun di Dompet Dingin Coldcard Berakhir dengan Nol

cryptonews.ru47m yang lalu

Korea Selatan Melihat Ledakan Volume Perdagangan 15 Altcoin!

Pertukaran cryptocurrency besar Korea Selatan, Upbit dan Bithumb, mencatat pertumbuhan signifikan dalam volume perdagangan beberapa altcoin. Dalam 24 jam terakhir, total volume perdagangan 15 altcoin populer mencapai sekitar $347,7 juta. MetaDAO (META) memimpin dengan volume perdagangan $65,84 juta hanya di Upbit. Euler (EUL) menempati posisi kedua dengan total $47,65 juta, diikuti oleh XRP dengan $38,11 juta. Altcoin lain yang juga mencatat volume tinggi antara lain ThunderCore (TT), Babylon (BABY), dan Geodnet (GEOD). Berikut adalah 15 altcoin dengan volume perdagangan tertinggi di Upbit dan Bithumb: 1) META ($65,84 juta), 2) EUL ($47,65 juta), 3) XRP ($38,11 juta), 4) TT ($35,64 juta), 5) BABY ($25,15 juta), 6) GEOD ($20,28 juta), 7) HYPER ($19,72 juta), 8) MMT ($17,67 juta), 9) ONDO ($15,65 juta), 10) SHIB ($10,55 juta), 11) DOOM ($9,61 juta), 12) BANK ($9,51 juta), 13) AKT ($7,36 juta), 14) DOGE ($7,30 juta), 15) WLD ($5,74 juta). *Ini bukan rekomendasi investasi.

cryptonews.ru2j yang lalu

Korea Selatan Melihat Ledakan Volume Perdagangan 15 Altcoin!

cryptonews.ru2j yang lalu

Perusahaan Donald Trump Menjual Lagi Sejumlah Besar Bitcoin!

Perusahaan milik Donald Trump, Trump Media & Technology Group, diduga kembali mentransfer sejumlah besar Bitcoin ke bursa kripto CryptoCom. Data analisis blockchain menunjukkan sekitar 2.628 BTC, senilai kurang lebih $165 juta, dipindahkan dari alamat yang dikaitkan dengan perusahaan tersebut. Sebelumnya, perusahaan dilaporkan membeli total 11.542 BTC dengan harga rata-rata $118.500 per koin. Sejak 2026, sekitar 7.281 BTC telah ditarik dari alamat-alamat ini, dengan sisa sekitar 4.261 BTC yang masih disimpan. Kerugian total Trump Media dari investasi Bitcoin ini, baik yang telah direalisasikan maupun belum, diperkirakan mencapai sekitar $555 juta. Penting untuk dicatat bahwa pengiriman aset ke bursa kripto tidak selalu berarti penjualan. Transfer bisa dilakukan untuk keperluan penyimpanan, pengelolaan likuiditas, atau operasi keuangan lainnya. Meski demikian, perpindahan dari dompet "dingin" ke bursa terpusat sering dianggap sebagai indikasi persiapan penjualan.

cryptonews.ru4j yang lalu

Perusahaan Donald Trump Menjual Lagi Sejumlah Besar Bitcoin!

cryptonews.ru4j yang lalu

Mengapa Bitcoin Bertahan di $64.000 Setelah Jeda Ketat dari The Fed

Bitcoin berakhir di bulan Juli mendekati level $64.000, bertahan di tengah volatilitas pasca keputusan Federal Reserve AS untuk mempertahankan suku bunga dalam kisaran 3,50-3,75%. Meskipun tiga anggota komite voting mendukung kenaikan suku bunga, sinyal keseluruhan dari Fed tetap ketat, membatasi minat terhadap aset berisiko. Pasar kripto menunjukkan ketahanan dengan aliran bersih masuk $32,1 juta ke ETF Bitcoin spot, mengakhiri serangkaian arus keluar. Di sisi lain, ETF Ethereum mengalami penarikan dana sekitar $18,65 juta. Kapitalisasi pasar agregat bertahan di sekitar $2,29 triliun. Secara teknis, Bitcoin menemukan dukungan di zona $63.000-63.500 dengan hambatan utama di dekat $66.000. Sementara Ethereum diperdagangkan sekitar $1.900 dengan tekanan harga, metrik jaringan seperti antrian validator yang panjang menunjukkan komitmen jangka panjang. Pergerakan di altcoin beragam: ETF Solana mencatat aliran masuk yang kuat sekitar $19 juta, sementara XRP dan BNB bergerak dalam konsolidasi. Regulasi juga menjadi perhatian setelah penundaan pembahasan CLARITY Act di Senat AS hingga musim gugur, mengurangi harapan disahkannya undang-undang tersebut pada tahun 2026. Hari terakhir bulan Juli akan dipantau untuk data makro AS seperti inflasi dan pengeluaran konsumen, yang dapat memengaruhi pergerakan pasar. Skenario dasar untuk Bitcoin adalah konsolidasi dalam kisaran $63.000-66.000. Kelangsungan aliran masuk institusional dan pertahanan level kunci akan menjadi sinyal penting untuk pemulihan pasar di paruh kedua tahun 2026.

cryptonews.ru4j yang lalu

Mengapa Bitcoin Bertahan di $64.000 Setelah Jeda Ketat dari The Fed

cryptonews.ru4j yang lalu

Trading

Spot
活动图片

Kategori Populerright-arrow

Tag Populerright-arrow