一项由ClawBench开展的真实网站任务测试显示，Claude、GPT和Gemini等AI agent的整体任务成功率约为33%。这一结果并不意味着模型无法完成网页操作，而是说明当任务涉及登录状态、动态页面、工具调用、流程依赖和异常处理时，模型的稳定执行能力仍明显不足。由于目前公开信息有限，测试样本量、任务类型、模型版本及评分标准尚未完整披露，33%应被视为阶段性评测结果，而不是对所有模型能力的最终判定。