OpenClaw 模型测评框架

创建：2026-03-23
目标：深度测评各模型在 OpenClaw 上的实际表现

测试环境

• - 平台：Matrix Agent（OpenClaw 2026.3.3）
• 当前模型：minimax/auto（上下文200k，MaxTokens 8192）
• 代理：127.0.0.1:8766（MiniMax内部代理）
• Thinking：关闭状态

待测模型池

API Key 需求

• - GLM-5：需智谱API Key（GLM-4V/GLM-4已集成百炼，可能复用百炼Key）
• Qwen3-235B-A22B：需阿里云百炼Key（洛书有Coding Plan）
• 测试方法：通过 OpenClaw models.json 配置新 provider

测评维度

测试题库（标准题）

测试1：中文理解与创意

请用一段不超过100字的话，解释量子纠缠，要求：小学生能看懂，且有一定文采。

评分标准：

• - ✅ 能用比喻/类比解释（不堆术语）
• ✅ 有文采（不是干巴巴的定义）
• ✅ 字数<100

测试2：代码能力

写一个Python函数，判断一个字符串是否是回文，要求代码简洁、注释清晰、可直接运行。

评分标准：

• - ✅ 逻辑正确
• ✅ 代码简洁（<15行）
• ✅ 有注释
• ✅ 可直接运行

测试3：工具调用能力

解释为什么工具调用能力对AI Agent至关重要？要求结合实际场景，不超过150字。

评分标准：

• - ✅ 有具体场景举例
• ✅ 说清楚为什么（不是是什么）
• ✅ 字数<150

测试4：复杂推理

张三比李四大3岁。李四比王五小2岁。王五20岁。问：三人年龄之和是多少？

评分标准：

• - ✅ 推理过程清晰
• ✅ 最终答案正确（20+22+25=67）
• ✅ 写出推理步骤

报告格式

模型测评报告：{模型名}

总分：X/10

各维度得分

亮点

• -

  不足

• 结论