英語の原文: https://argusic.com/subject/clawbench
ClawBench
日常的なタスクにおけるブラウザ AI エージェントのためのオープンソースベンチマーク
モックで動作するソース: GitHubホームページPythonApache-2.0コミット 187cd252bc60
Python、Apache-2.0 ライセンス. プロジェクト自身の表記: agent evaluation、agentic ai、ai agent benchmark、ai agents、benchmark、browser agent、browser automation、browser use.
ClawBench は、依存するサービスを代わりのものに置き換えたうえで動作します。Argusic のエージェントが GPU のないクリーンなマシンで 7 分でインストールし、1 件のエラーに遭遇し、セッション全体が記録されました。
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;
クリーンなマシンでエージェントが最終的に得た結果 (エージェント自身の言葉)。 計測方法
Argusic が毎回新しいマシンで計測しています。 すべての数値はその証拠にリンクしています。 Argusic スコア 100 点中 72 点 (このプロジェクトの実行スコアの平均)。
概要
プロジェクトのデータは GitHub から取得 (このページの冒頭にリンクあり)、更新日 。テストデータは Argusic によるもので (CC BY 4.0)、すべての数値は、完全なログ、録画、それらの sha256 ハッシュを含む実行ページにリンクしています。
計測した内容
この判定を決めた実行から取得しています。 各行は記録された値であり、推定値ではありません。
うまくいかなかった点 (エージェント自身の言葉)
エージェント自身の言葉を、深刻なものから順に掲載しています。助言に書き換えることはありません。
- 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 分
- インストール時間
- 7 分
- クリーンなマシンから完了まで
- 3 分
- 遭遇したエラーと修正したエラー
- 1 件に遭遇、0 件を人の手を借りずに修正
- 結果の証明方法
- uv run pytest -q --tb=short => 320 passed, 2 skipped
- 使用したモデルのトークン
- 47,608
- テストした正確なコミット
- 187cd252bc60
- コンテナイメージ
- sha256:cdd920bce783
計測していない内容
残りの半分です。この証拠がどこまでを示すのかを正確に確認できます。欠けている部分は欠けているものとして表示し、埋めることはありません。
- GPU メモリのピーク
- CPU マシンで実行したため、サンプリングする GPU がありませんでした
- 長時間の実行での振る舞い
- 各試行はドキュメントにある最小の設定と決まった時間予算を使うため、計測しているのは動作するかどうかであり、負荷のもとでどう持ちこたえるかではありません
- 実際のサービスに対する振る舞い
- この実行は代わりのサービスに対してのみ検証されました
録画の最後
この判定を決めたターミナルセッションの最後の行を、記録されたとおりに表示しています。
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…
セッション全体を再生 (クリーンなマシンからこの時点までのすべてのコマンド)。
テスト方法
1 つのエージェント、1 つのコンテナで、人の手は借りません。エージェントはプロジェクト自身のドキュメントに書かれた方法でインストールし、実行し、壊れた部分を修正します。以下はすべて、実際に起きたとおりに記録されています: ターミナルセッション、ログ、そして正確なコミットです。 評価方法の全文.
強みと限界
意見ではなく、計測された事実です。コンテンツの作成方法.
うまくいった点
- 7 分でインストールでき、Argusic が計測した比較可能な 3 件のプロジェクトの中央値より速い結果です。
- ホストの報告によると、ライセンスは Apache-2.0 です。
うまくいかなかった点、または不明な点
- 代わりのサービスに対してのみ実行状態に達したため、実際のサービスで動作することはここでは証明されていません。
- セットアップ中に 1 件のエラーに遭遇しました。そのうち 1 件は解決されていません。
- これまでの計測は 1 回です。1 回の試行は動作し得ることを示すだけで、安定して動作することは示しません。
Argusic がインストールして時間を計測した agent-evaluation のプロジェクト 4 件のうち、ClawBench は実行状態に達するまでの速さが 2 番目で、4 件中 2 件がそもそも実行状態に達しました。
同じ分野でテストしたプロジェクト
ここに挙げたものはすべて、Argusic がクリーンなマシンにインストールして実行しました。テストしていないものは表示されません。
実行履歴
トピック (出典: GitHub)
agent-evaluationagentic-aiai-agent-benchmarkai-agentsbenchmarkbrowser-agentbrowser-automationbrowser-usechrome-agentchrome-extensioncomputer-usedatasetevaluationeveryday-tasksllmllm-evaluationonline-tasksreal-world-benchmarkweb-agentweb-agents
バッジを埋め込む
プロジェクトの README に貼る Markdown です。バッジはこのページにリンクします。利用条件: 利用規約ページ.
[](https://argusic.com/subject/clawbench)質問
- ClawBench は動作しますか?
- ClawBench は、外部サービスの代わりにモックを使って動作します. Argusic はクリーンなマシンで 7 分でインストールして起動し、途中で 1 件のエラーに遭遇し、セッションを記録しました。
- Argusic は ClawBench をどのようにテストしましたか?
- 新しい使い捨てのマシンで、すべてのコマンドを記録しながらテストしました (リポジトリはコミット 187cd252bc60 に固定)。記録された試行は 1 回で、手順の全体は評価方法のページに掲載しています。
- ClawBench のテストにはいくらかかりましたか?
- この判定を出した実行のコストは 0.04 USD です: 100 万トークンあたりの定価ではなく、実際の計算資源とモデルのコストです。その実行のページに記録されています。
- ClawBench のインストールにはどのくらい時間がかかりますか?
- この判定を決めた実行では、クリーンなマシンから実行状態まで 7 分でした。これは 1 回の計測された試行であり、平均ではありません。
- ClawBench には GPU が必要ですか?
- 起動には必要ありません。Argusic は GPU のないマシンで実行状態に達しました。
- ClawBench のインストールでは何がうまくいきませんか?
- 記録された実行では 1 件の問題が発生しました。それぞれの問題と、かかった時間をこのページに掲載しています。
- ClawBench は代替のプロジェクトと比べてどうですか?
- Argusic がインストールして時間を計測した agent-evaluation のプロジェクト 4 件のうち、ClawBench は実行状態に達するまでの速さが 2 番目で、4 件中 2 件がそもそも実行状態に達しました。
- ClawBench の証拠はどこにありますか?
- 記録された実行をこのページに掲載しており、それぞれが完全なログとターミナル録画にリンクしています。録画は sha256 フィンガープリントとともに保存されているため、こっそり改変することはできません。