наконец-то бенчмарк, который действительно имеет значение.

забудьте о MMLU и математических результатах.. PinchBench тестирует, какая модель ИИ лучше всего справляется с реальной работой.
не отвечая на trivia. а реально выполняя задачи:
→ поиск информации из нескольких веб-источников
→ создание и планирование встреч
→ организация файлов на вашем компьютере
→ написание и управление электронными письмами
он тестирует модели, работающие как агенты через OpenClaw.. то есть ИИ должен использовать инструменты, цеплять действия и выполнять задачи полностью.
результаты интересные:
> Gemini 3 Flash лидирует с 95.1%
> MiniMax M2.1 чуть позади с 93.6%
> Kimi K2.5 — 93.4%
> Claude Sonnet — 92.7%
> Gemini 3 Pro — 91.7%
> Claude Haiku — 90.8%
> Claude Opus 4.6 — 90.6%
> GPT-5 Nano — 85.8%
разница между лучшими и худшими всего около ~10%.. что означает, что большинство передовых моделей довольно хорошо справляются с задачами агента.
но главный вывод? Gemini Flash.. легкая модель.. превосходит все тяжелые модели в практической работе агента. скорость + использование инструментов > сырая интеллектуальность.
это тот тип бенчмарка, который должен определять, какую модель вы используете ежедневно.. а не какой-то академический тест, к которому никто не относится.