DAREBench: Deployment-Aware and Reliable Evaluation of Models as Agents

DAREBench 将 22 个基准的 233 个任务放入统一 OpenClaw 环境，以模态×执行形式组成 2×3 工作矩阵，并用合约和证据分数审计交付物。评测覆盖 23 个商业 API、12 个本地模型和 7,587 次模型任务运行；没有模型在所有维度占优，准确率、模态和成本之间的取舍会随部署条件改变。