ClawBench

Agent 最佳任务仅完成三成，评测缺口正在暴露

Agent 评测开始从回答质量转向任务验收：通过端到端、过程和能力三层框架，判断系统是否真正完成工作。ClawBench 中最佳成绩仅 33.3%，说明行业瓶颈已从模型能力转向可靠性与工程化。