PawBench

PawBench 是一个面向具身智能体（Agentic AI）的联合评估基准，专门用于量化大语言模型（LLM）与智能体运行时框架（harness）协同工作的实际性能。其核心功能包括150个覆盖文本、多模态、技能调用与网页交互的细粒度任务，支持9个主流模型与3种典型harness（qwenpaw、openclaw、hermes）的交叉评测，并提供可归因的诊断轨迹、任务切片和公开评分规则。项目强调模型与harness的耦合效应，支持性能归因分析、框架迭代验证与跨系统对比。适用于智能体系统研发、harness架构选型、模型-框架协同优化等研究与工程场景。