发布开源AI agent评估框架Claw-Eval，包含104项任务

智能体正在做实际工作，但现有基准仍孤立测试它们。今天我们发布Claw-Eval：一个开源、透明的AI智能体评估框架。我们提供104项任务，涵盖日常助手、办公QA、深度金融研究和终端使用。通过可配置的错误注入，在真实和模拟服务上测试完成度、鲁棒性和安全性。完全可追溯且经过人工验证。首个排行榜结果：Claude Opus 4.6通过率最高（68.3%），但Gemini 3.1 Pro在平均分上略胜（0.764 vs 0.759）。智能体还有很长的路要走。查看：https://claw-eval.github.io