Saya melihat sebuah benchmark menarik hari ini yang cukup banyak berbicara tentang kemampuan model AI. PinchBench menguji berbagai model pada tugas agen OpenClaw dan hasilnya sangat berbeda.

Gemini 3 Flash berada di depan - dengan tingkat keberhasilan 95,1%. Tapi yang menarik adalah bahwa model lain juga cukup dekat. minimax-m2.1 mencapai 93,6% dan kimi-k2.5 mencapai 93,4%. Claude Sonnet 4.5 berada di 92,7% sementara GPT-4o tertahan di 85,2%.

Perbedaan antara model-model ini tidak terlihat besar, tetapi ketika berbicara tentang tugas agen, perbedaan kecil ini juga penting. Jika Anda ingin mengetahui kemampuan sebenarnya dari model AI, melihat benchmark seperti ini sangat membantu.