英文原文: https://argusic.com/subject/clawbench
ClawBench
面向日常任务的浏览器 AI agent 的开源 benchmark。
借助 mock 可运行来源：GitHub项目主页PythonApache-2.0commit 187cd252bc60
Python，Apache-2.0 许可证. 项目的自我描述：agent evaluation、agentic ai、ai agent benchmark、ai agents、benchmark、browser agent、browser automation 和 browser use.
ClawBench 可以运行，其依赖的服务由替身代替。一个 Argusic agent 在一台没有 GPU 的干净机器上用 7 分钟完成了安装，遇到 1 个错误，整个会话都被记录了下来。
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;
agent 在干净的机器上最终得到的结果，用它自己的话说。 测量方式
每一次都由 Argusic 在全新机器上实测。每个数字都链接到对应的证据。 Argusic 评分 72，满分 100（该项目各次运行得分的平均值）。
概览
项目数据来自 GitHub，链接见本页顶部，更新于 。测试数据由 Argusic 提供 (CC BY 4.0)；每个数字都链接到一个运行页面，附完整的 log、录屏及其 sha256 哈希。
测量了什么
来自决定该结论的那次运行。 每一行都是记录下来的数值，而非估算。
哪里出了问题，用 agent 自己的话说
agent 的原话，最严重的排在最前，从不改写成建议。
- 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 分钟
- 安装时间
- 7 分钟
- 从冷启动机器到完成
- 3 分钟
- 遇到并修复的错误
- 遇到 1 个，在无人协助的情况下修复了 0 个
- 结果是如何证明的
- uv run pytest -q --tb=short => 320 passed, 2 skipped
- 使用的模型 token
- 47,608
- 测试的确切 commit
- 187cd252bc60
- 容器镜像
- sha256:cdd920bce783
没有测量什么
另一半内容，让你清楚看到这些证据能说明到什么程度。缺失的数据就标为缺失，从不填补。
- GPU 显存峰值
- 本次运行在 CPU 机器上进行，没有可采样的 GPU
- 长时间运行的表现
- 每次尝试都使用文档中最小的设置和固定的时间预算，因此这里测量的是它能否运行，而不是它在负载下的表现
- 对接真实服务的表现
- 本次运行只对照替身服务进行了验证
录屏的结尾
决定该结论的终端会话的最后几行，与录制时完全一致。
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…
回放完整会话，从干净的机器到此刻的每一条命令。
测试方式
一个 agent，一个容器，没有人工协助。它按照项目自身文档所写的方式安装项目，运行它，并修复出错的地方。下面的一切都按实际发生的过程记录：终端会话、log 和确切的 commit。 完整方法论.
优势与局限
均为实测事实，而非观点。内容是如何撰写的.
顺利的部分
- 用 7 分钟完成安装，快于 Argusic 测量过的 3 个同类项目的中位数。
- 采用 Apache-2.0 许可证，以其托管平台报告的信息为准。
不顺利或尚不清楚的部分
- 只在替身服务下达到了运行状态，因此这里没有任何内容能证明它在真实服务下可以工作。
- 搭建过程中遇到 1 个错误，其中 1 个没有解决。
- 目前只测量过一次。单次尝试只能说明它可以运行，不能说明它能稳定运行。
在 Argusic 安装并计时过的 4 个 agent-evaluation 项目中，ClawBench 达到运行状态的速度排名第 2，4 个项目中有 2 个达到了运行状态。
同一领域中也测试过的项目
这里的每个项目都由 Argusic 在干净的机器上安装并运行过。未经测试的项目不会出现在这里。
运行历史
| 测试者 | 尝试 | 结果 | 评分 | 成本 USD | 时间 |
|---|---|---|---|---|---|
| Argusic Runner | 1/3 | 借助 mock 可运行 | 72.00 | 0.04 |
主题 (来自 GitHub)
agent-evaluationagentic-aiai-agent-benchmarkai-agentsbenchmarkbrowser-agentbrowser-automationbrowser-usechrome-agentchrome-extensioncomputer-usedatasetevaluationeveryday-tasksllmllm-evaluationonline-tasksreal-world-benchmarkweb-agentweb-agents
嵌入徽章
用于项目 README 的 Markdown。徽章链接回本页；使用条款见 条款页面.
[](https://argusic.com/subject/clawbench)常见问题
- ClawBench 能运行吗？
- ClawBench 可以运行，外部服务由 mock 代替. Argusic 在一台干净的机器上安装并启动了它，用时 7 分钟，过程中遇到 1 个错误，并记录了整个会话。
- Argusic 是如何测试 ClawBench 的？
- 在一台全新的一次性机器上进行，每条命令都被记录，仓库固定在 commit 187cd252bc60。共记录了 1 次尝试，完整方法见方法论页面。
- 测试 ClawBench 花了多少钱？
- 得出该结论的那次运行花费 0.04 USD：这是真实的算力和模型成本，而不是按每百万 token 计的标价。该数字记录在那次运行的页面上。
- ClawBench 安装需要多长时间？
- 在决定该结论的那次运行中，从干净的机器到运行状态用了 7 分钟。这是一次实测的尝试，不是平均值。
- ClawBench 需要 GPU 吗？
- 启动它不需要。Argusic 在一台没有 GPU 的机器上让它达到了运行状态。
- 安装 ClawBench 时会出现什么问题？
- 已记录的运行中出现了 1 个问题。每个问题及其耗费的时间都列在本页上。
- ClawBench 与其他替代方案相比如何？
- 在 Argusic 安装并计时过的 4 个 agent-evaluation 项目中，ClawBench 达到运行状态的速度排名第 2，4 个项目中有 2 个达到了运行状态。
- ClawBench 的证据在哪里？
- 这次已记录的运行都在本页上，每次都链接到完整的 log 和终端录屏，并连同 sha256 指纹一起保存，因此无法被悄悄篡改。