**ClawBench评测：Claude、GPT、Gemini在真实网站任务中33%翻车**

_33%！Claude、GPT、Gemini 在真实网站上集体翻车，ClawBench 把 AI agent 打回原形_

> TIGER-AI-Lab发布ClawBench基准测试，评估主流AI Agent在真实网站上的日常任务完成能力。结果显示Claude、GPT-4、Gemini等模型在真实网页操作中错误率高达33%，暴露出AI Agent在实际应用场景中的显著短板。该研究为AI Agent的可靠性评估提供了重要参考。

**来源信息**
- **来源**：机器之心：文章库（API）
- **分类**：论文
- **发布时间**：2026-09-02 10:21（北京时间）
- **原文**：[打开原文](https://www.jiqizhixin.com/articles/2026-09-02)