Original en inglés: https://argusic.com/subject/clawbench
ClawBench
Benchmark de código abierto para AI agents de navegador en tareas diarias.
Funciona con mocksfuente: GitHubsitio webPythonApache-2.0commit 187cd252bc60
Python, licencia Apache-2.0. El proyecto se describe a sí mismo como: agent evaluation, agentic ai, ai agent benchmark, ai agents, benchmark, browser agent, browser automation y browser use.
ClawBench funciona, con sustitutos de los servicios de los que depende. Un agent de Argusic lo instaló en 7 minutos y encontró 1 error en una máquina limpia sin GPU, y toda la sesión quedó grabada.
Python package clawbench-eval v0.10.0 installs and builds; all CLIs (clawbench, clawbench-run, clawbench-batch, clawbench-rescore, clawbench-analyze, clawbench-reproduce, clawbench-harbor-adapt, clawbench-edgebench-adapt, clawbench-edgebench-judge, clawbench-prorl-submit, clawbench-prorl-mock) are importable and respond to --help; batch dry-run produces correct 20-job matrix for v1-lite;
Lo que el agent consiguió en una máquina limpia, en sus propias palabras. Cómo se mide
Medido por Argusic en una máquina limpia cada vez. Cada cifra enlaza a su evidencia. Puntuación Argusic de 72 sobre 100 (la media de las puntuaciones de las ejecuciones de este proyecto).
De un vistazo
Datos del proyecto de GitHub, enlazados al principio de esta página, actualizado . Datos de prueba de Argusic (CC BY 4.0); cada cifra enlaza a una página de ejecución con el log completo, la grabación y sus hashes sha256.
Qué se midió
De la ejecución que decidió este veredicto. Cada línea es un valor registrado, no una estimación.
Qué salió mal, en palabras del propio agent
Las palabras del propio agent, de lo más grave a lo menos, nunca reescritas como consejos.
- One test (test_batch_stays_importable_without_a_container_engine) shows non-deterministic ordering sensitivity — fails when run in isolation after other host_timeout tests but passes in full suite run. Not a code defect, test isolation edge case.1 minuto
- Tiempo de instalación
- 7 minutos
- De máquina en frío a terminar
- 3 minutos
- Errores encontrados y corregidos
- 1 encontrados, 0 corregidos sin ayuda humana
- Cómo se demostró el resultado
- uv run pytest -q --tb=short => 320 passed, 2 skipped
- Tokens de modelo usados
- 47.608
- Commit exacto probado
- 187cd252bc60
- Imagen del contenedor
- sha256:cdd920bce783
Qué no se midió
La otra mitad, para que veas exactamente hasta dónde llega esta evidencia. Un hueco se muestra como hueco y nunca se rellena.
- Memoria de GPU máxima
- se ejecutó en una máquina con CPU, así que no había GPU que muestrear
- Comportamiento en una ejecución larga
- cada intento usa la configuración documentada más pequeña y un presupuesto de tiempo fijo, así que esto mide si funciona, no cómo aguanta bajo carga
- Comportamiento con servicios reales
- esta ejecución solo se verificó con servicios sustitutos
El final de la grabación
Las últimas líneas de la sesión de terminal que decidió este veredicto, tal como se registraron.
tokens used 47,608 Here's my final assessment: **Setup:** Installed `uv`, ran `uv sync` to set up the venv and install all deps, copied `models/mo… **Verification:** - Full test suite: **320 passed, 2 skipped** (skips are expected — `harbor` and `evalport-sdk` are … - All 301 task.json files (v1: 152, v2: 129, v1-lite: 20) are valid JSON - `clawbench-batch --dry-run` correctly computes the 20-job matrix for v1-lite - All 11 CLI entrypoints import and show help - The TUI and all runner modules import without errors - Model config loads both example models from `models.yaml` **Note on container dependency:** Docker/Podman are not installed in the container, so real contain…
Reproducir la sesión completa, cada comando desde una máquina limpia hasta este punto.
Cómo se probó
Un agent, un contenedor, sin ayuda humana. Instala el proyecto como indica su propia documentación, lo ejecuta y arregla lo que falla. Todo lo de abajo se registró tal como ocurrió: la sesión de terminal, el log y el commit exacto. La metodología completa.
Puntos fuertes y límites
Hechos medidos, no opiniones. Cómo se redacta.
Qué salió bien
- Se instaló en 7 minutos, más rápido que la mediana de los 3 proyectos comparables que ha medido Argusic.
- Licencia Apache-2.0, según su plataforma de origen.
Qué no salió bien, o no se sabe
- Solo llegó a funcionar con servicios sustitutos, así que nada de lo que hay aquí demuestra que funcione con los reales.
- Encontró 1 error durante la instalación, que quedó sin resolver.
- Medido una sola vez hasta ahora. Un único intento demuestra que puede funcionar, no que funcione de forma fiable.
De los 4 proyectos de agent-evaluation que Argusic ha instalado y cronometrado, ClawBench fue el 2.º más rápido en llegar a funcionar, y 2 de 4 llegaron a funcionar.
También probados, en la misma área
Argusic instaló y ejecutó cada uno de estos proyectos en una máquina limpia. Aquí no aparece nada que no se haya probado.
Historial de ejecuciones
| probado por | intento | resultado | puntuación | costo USD | cuándo |
|---|---|---|---|---|---|
| Argusic Runner | 1/3 | Funciona con mocks | 72,00 | 0,04 |
Temas (de GitHub)
agent-evaluationagentic-aiai-agent-benchmarkai-agentsbenchmarkbrowser-agentbrowser-automationbrowser-usechrome-agentchrome-extensioncomputer-usedatasetevaluationeveryday-tasksllmllm-evaluationonline-tasksreal-world-benchmarkweb-agentweb-agents
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/clawbench)Preguntas
- ¿Funciona ClawBench?
- ClawBench funciona, con mocks en lugar de los servicios externos. Argusic lo instaló y lo inició en una máquina limpia en 7 minutos, con 1 error por el camino, y grabó la sesión.
- ¿Cómo probó Argusic ClawBench?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit 187cd252bc60. Hay un intento registrado, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar ClawBench?
- La ejecución que produjo este veredicto costó 0,04 USD: costo real de cómputo y de modelo, no un precio de lista por millón de tokens. Consta en la página de esa ejecución.
- ¿Cuánto tarda ClawBench en instalarse?
- 7 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita ClawBench una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar ClawBench?
- En la ejecución registrada falló 1 cosa. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Cómo se compara ClawBench con las alternativas?
- De los 4 proyectos de agent-evaluation que Argusic ha instalado y cronometrado, ClawBench fue el 2.º más rápido en llegar a funcionar, y 2 de 4 llegaron a funcionar.
- ¿Dónde está la evidencia de ClawBench?
- La ejecución registrada está en esta página, cada una enlazada a su log completo y a su grabación de terminal, guardados con una huella sha256 para que no se puedan alterar en silencio.