ClawBench 测评：Claude、GPT、Gemini 真实网站任务完成率最高仅 33%

ClawBench 让 AI agent 在 144 个真实生产网站执行 153 个日常写操作任务，最强 Claude Sonnet 4.6 完成率约 33%，GPT-5.4 仅 6.5%。153 个任务中有 68 个（44.4%）没有任何模型能完成，失败集中在反爬验证、登录卡关和已到确认页却未提交。Qwen 3.5 以 26.1% 排名第二，GLM-5 为 24.2%。