Model Benchmark

深度测评各模型在 OpenClaw 上的实际表现，支持中文理解/代码/推理/工具调用多维度评估。

OpenClaw 模型测评框架

创建：2026-03-23 目标：深度测评各模型在 OpenClaw 上的实际表现

---

测试环境

• 平台：Matrix Agent（OpenClaw 2026.3.3）
• 当前模型：minimax/auto（上下文200k，MaxTokens 8192）
• 代理：127.0.0.1:8766（MiniMax内部代理）
• Thinking：关闭状态

---

待测模型池

模型	Provider	状态	优先级
MiniMax Auto	minimax	✅已测	—
GLM-5	智谱/百炼	🔜待测	P1
Qwen3-235B-A22B	百炼（MoE，235B参数）	🔜待测	P1
Claude Opus 4 (thinking-medium)	anthropic-via-proxy	🔜待测	P1
DeepSeek R1	待确认	🔜待测	P2
GPT-4o	OpenAI	待确认	P2

API Key 需求

• GLM-5：需智谱API Key（GLM-4V/GLM-4已集成百炼，可能复用百炼Key）
• Qwen3-235B-A22B：需阿里云百炼Key（洛书有Coding Plan）
• 测试方法：通过 OpenClaw models.json 配置新 provider

---

测评维度

维度	权重	测试内容
中文理解	25%	解释复杂概念，用小学生能懂的话
代码能力	25%	Python实现，简洁可运行
工具调用	20%	解释工具调用对Agent的重要性
复杂推理	20%	多步骤逻辑推理题
响应速度	10%	从发题到返回的时间

---

测试题库（标准题）

测试1：中文理解与创意

请用一段不超过100字的话，解释"量子纠缠"，要求：小学生能看懂，且有一定文采。

评分标准：

• ✅ 能用比喻/类比解释（不堆术语）
• ✅ 有文采（不是干巴巴的定义）
• ✅ 字数<100

测试2：代码能力

写一个Python函数，判断一个字符串是否是回文，要求代码简洁、注释清晰、可直接运行。

评分标准：

• ✅ 逻辑正确
• ✅ 代码简洁（<15行）
• ✅ 有注释
• ✅ 可直接运行

测试3：工具调用能力

解释为什么"工具调用能力"对AI Agent至关重要？要求结合实际场景，不超过150字。

评分标准：

• ✅ 有具体场景举例
• ✅ 说清楚"为什么"（不是"是什么"）
• ✅ 字数<150

测试4：复杂推理

张三比李四大3岁。李四比王五小2岁。王五20岁。问：三人年龄之和是多少？

评分标准：

• ✅ 推理过程清晰
• ✅ 最终答案正确（20+22+25=67）
• ✅ 写出推理步骤

---

报告格式

text

# 模型测评报告：{模型名}
日期：YYYY-MM-DD

## 总分：X/10

## 各维度得分

| 维度 | 得分 | 评语 |
|------|------|------|
| 中文理解 | X/10 | ... |
| 代码能力 | X/10 | ... |
| 工具调用 | X/10 | ... |
| 复杂推理 | X/10 | ... |
| 响应速度 | X/10 | ... |

## 亮点
-

## 不足
-

## 结论
-