Original em inglês: https://argusic.com/subject/clawbench
ClawBench
Benchmark de código aberto para AI agents de navegador em tarefas do dia a dia.
Executa com mocksfonte: GitHubpágina do projetoPythonApache-2.0commit 187cd252bc60
Python, licença Apache-2.0. O projeto se descreve como: agent evaluation, agentic ai, ai agent benchmark, ai agents, benchmark, browser agent, browser automation e browser use.
ClawBench executa, com substitutos para os serviços de que depende. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 7 minutos e encontrou 1 erro, e a sessão inteira foi gravada.
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;
O que o agent conseguiu em uma máquina limpa, nas palavras dele. Como isto é medido
Medido pela Argusic em uma máquina nova, todas as vezes. Cada número tem link para as suas evidências. Pontuação Argusic 72 de 100 (a média das pontuações das execuções deste projeto).
Visão geral
Dados do projeto de GitHub, com link no topo desta página, atualizado em . Dados de teste da Argusic (CC BY 4.0); cada número tem link para uma página de execução com o log completo, a gravação e os hashes sha256 deles.
O que foi medido
Da execução que decidiu este veredito. Cada linha é um valor registrado, não uma estimativa.
O que deu errado, nas palavras do agent
As palavras do próprio agent, das piores para as menores, nunca reescritas como conselho.
- 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
- Tempo de instalação
- 7 minutos
- Da máquina limpa até o fim
- 3 minutos
- Erros encontrados e corrigidos
- 1 encontrado, 0 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- uv run pytest -q --tb=short => 320 passed, 2 skipped
- Tokens de modelo usados
- 47.608
- Commit exato testado
- 187cd252bc60
- Imagem do container
- sha256:cdd920bce783
O que não foi medido
A outra metade, para você ver exatamente até onde estas evidências vão. Uma lacuna é mostrada como lacuna e nunca é preenchida.
- Pico de memória da GPU
- esta execução foi em uma máquina com CPU, então não havia GPU para medir
- Comportamento em uma execução longa
- cada tentativa usa as menores configurações documentadas e um orçamento de tempo fixo, então isto mede se ele executa, não como ele se comporta sob carga
- Comportamento com serviços reais
- esta execução foi verificada apenas com serviços substitutos
O fim da gravação
As últimas linhas da sessão de terminal que decidiu este veredito, exatamente como foram gravadas.
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…
Reproduzir a sessão inteira, cada comando desde a máquina limpa até este ponto.
Como foi testado
Um agent, um container, nenhuma ajuda humana. Ele instala o projeto do jeito que a própria documentação do projeto manda, executa o projeto e corrige o que quebra. Tudo abaixo é registrado como aconteceu: a sessão de terminal, o log e o commit exato. A metodologia completa.
Pontos fortes e limites
Fatos medidos, não opiniões. Como este conteúdo é escrito.
O que deu certo
- Instalado em 7 minutos, mais rápido que a mediana dos 3 projetos comparáveis que a Argusic mediu.
- Licença Apache-2.0, segundo a plataforma onde o projeto está hospedado.
O que não deu certo, ou não se sabe
- Só chegou a um estado de execução com serviços substitutos, então nada aqui prova que ele funciona com os serviços reais.
- Encontrou 1 erro durante a configuração, 1 dos quais não foi resolvido.
- Medido uma vez até agora. Uma única tentativa mostra que ele pode executar, não que executa de forma confiável.
Dos 4 projetos de agent-evaluation que a Argusic instalou e cronometrou, ClawBench foi o 2º mais rápido a chegar a um estado de execução, e 2 de 4 chegaram a esse estado.
Também testados, na mesma área
Cada um destes foi instalado e executado pela Argusic em uma máquina limpa. Nada aparece aqui sem ter sido testado.
Histórico de execuções
| testado por | tentativa | resultado | pontuação | custo USD | quando |
|---|---|---|---|---|---|
| Argusic Runner | 1/3 | Executa com mocks | 72,00 | 0,04 |
Tópicos (de GitHub)
agent-evaluationagentic-aiai-agent-benchmarkai-agentsbenchmarkbrowser-agentbrowser-automationbrowser-usechrome-agentchrome-extensioncomputer-usedatasetevaluationeveryday-tasksllmllm-evaluationonline-tasksreal-world-benchmarkweb-agentweb-agents
Incorporar o selo
Markdown para o README do projeto. Ele tem link de volta para esta página; os termos estão na página de termos.
[](https://argusic.com/subject/clawbench)Perguntas
- ClawBench executa?
- ClawBench executa, com mocks no lugar de serviços externos. A Argusic o instalou e iniciou em uma máquina limpa em 7 minutos, encontrando 1 erro no caminho, e gravou a sessão.
- Como a Argusic testou ClawBench?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit 187cd252bc60. Há uma tentativa registrada, e a metodologia completa está na página da metodologia.
- Quanto custou testar ClawBench?
- A execução que produziu este veredito custou US$ 0,04: custo real de computação e de modelo, não um preço de tabela por milhão de tokens. Esse valor está registrado na página da execução.
- Quanto tempo leva para instalar ClawBench?
- 7 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- ClawBench precisa de GPU?
- Não para iniciar. A Argusic chegou a um estado de execução em uma máquina sem GPU.
- O que dá errado ao instalar ClawBench?
- 1 coisa quebrou na execução registrada. Cada uma, com o tempo que custou, está listada nesta página.
- Como ClawBench se compara às alternativas?
- Dos 4 projetos de agent-evaluation que a Argusic instalou e cronometrou, ClawBench foi o 2º mais rápido a chegar a um estado de execução, e 2 de 4 chegaram a esse estado.
- Onde estão as evidências de ClawBench?
- A execução registrada está nesta página, cada uma com link para o seu log completo e a sua gravação do terminal, guardados com uma impressão digital sha256 para que não possam ser alterados discretamente.