百度文心助手任务Agent登顶PinchBench v2，成首个国产AI智能体系统

2026年7月17日，百度文心助手任务Agent以最高分94.6%、平均分94.4%的成绩登顶全球工程向AI智能体评测榜单PinchBench v2，成为首个以正式产品身份拿下该榜单总榜第一的国产智能体系统。在59个参评模型中，文心助手任务Agent排名第一，领先Anthropic Claude Opus 4.8-fast（93.5%）、阿里通义千问Qwen3.7-max（92.5%）、Anthropic Claude Opus 4.8（90.5%）以及OpenAI GPT-5.6-luna（88.7%）等竞品。

这项评测，考验的是无法注水的落地能力

PinchBench由Kilo AI推出、OpenClaw社区维护，和MMLU、GPQA这类传统大模型基准有着本质区别：传统评测更多考察模型的知识储备，也就是“知不知道”，而PinchBench的核心是验证智能体“能否完整完成一件事并交付可验证的最终结果”。

本次v2版本包含23个真实工作场景、147项具体任务，覆盖数据分析、研究写作、代码开发、办公自动化、文档处理、网页操作、多媒体处理七大类别，累计完成617次测试运行。评分采用“自动化校验+大模型评审”的双轨机制，全程零人工干预，确保结果客观公正。

更关键的是，PinchBench衡量的是模型与Agent框架的综合能力——即便是同一底座模型，搭载不同Agent框架，最终评测得分也会存在明显差距。这意味着文心助手任务Agent拿下榜首，靠的不是单一模型性能，而是模型能力与系统工程协同打造的综合实力。

百度AI搜索团队已在GitHub开源完整评测流程（github.com/Baidu-AI-Search/PinchBench-Evaluation），147个任务的执行快照、交付物以及大模型评审打分理由全量公开，任何人都可以逐条复现整个评测过程。

从“动口”到“动手”，落地能力拉满

本次评测中的多个高难度任务，都被文心助手任务Agent轻松完成，我们可以通过典型案例感受其能力边界：

比如财报分析任务中，要求Agent在无预设数据文件的前提下，自主检索GitLab 2025年第三财季财报原文或电话会议记录，定位相关利润率指引，计算出非GAAP运营利润率约18%，并得出其超出指引约500个基点的结论，最终将结果写入指定文件。该任务的五个自动化评分维度——文件创建、指标定位、实际值与指引值提取、基点计算结论，全部拿到满分1.0。

另一个安全工程类任务要求Agent分析Node.js应用的多个CVE漏洞，按优先级分级并制定修复计划：需将express RCE和JWT bypass两个CRITICAL级漏洞标记为P0，其中JWT bypass因存在活跃利用记录需特别标注；将PostgreSQL SQL注入定为P1并结合PCI DSS支付路径给出上下文；将仅影响构建阶段的依赖漏洞降级为P2/P3；同时制定五批次修复计划，附4月12日紧急热修、4月14日P1批次等具体部署窗口。最终大模型评审给出“所有维度表现卓越”的结论，得分同样为满分1.0。

还有合同法律分析任务，要求读取软件服务协议，提取关键日期、梳理双方义务、识别风险点、生成财务摘要——这类任务过去通常需要律师助理花费数小时。文心助手任务Agent的输出结果识别出客户方12项风险、供应商10项风险、5项共享风险，精准发现六期分期付款结构的现金流前置问题、IP转让条件的产权间隙，四个评分维度全部拿到满分1.0。

除了企业级复杂任务，文心助手任务Agent同样能轻松应对日常办公需求：比如用户上传职业数据表后，仅需提出“统一表头格式，新建汇总sheet，按职业大类制作汇总表和Top10/Bottom10榜单，生成图表对比各职业大类就业人数”的要求，这条带有内部依赖的任务链，任何环节出错都会导致流程中断，但文心助手任务Agent可自主拆解任务并一次性完成全部流程。

如果用户无法给出详细指令，仅提出模糊出行需求如“这周末想从北京去青岛玩两天solo trip”，Agent可自主检索交通、住宿、景点实时数据，排出完整行程、生成预算清单和避坑指南，交付可直接使用的完整攻略。

对于需要重复完成的高脑力劳动，用户还可设置定时任务，比如“每周一晚上十点，帮我汇总近一周的高质量AI领域论文，用投研报告风格的HTML格式交付”。文心助手任务Agent可7×24小时稳定运行，用户无需时刻在场等待响应。

为何百度能拿下这一成绩？

这一成绩背后，是长达二十余年的技术积累作为支撑。百度是一家在意图理解领域深耕多年的企业，核心技术沉淀为文心助手任务Agent提供了坚实基础。

文心助手任务Agent依托百度搜索猎户座AI引擎的多智能体框架构建。从架构逻辑来看，搜索引擎本身就是最早的Agent雏形——从接收用户意图、拆解任务、调用工具到验证结果，这套完整链路百度已经跑了二十余年。随着技术发展，百度的工具集从最初的索引爬虫，升级为代码执行环境、文件处理器和实时API接口，输出内容也从早期的蓝链列表演变为结构化报告和可运行代码，但底层任务执行逻辑一脉相承。

本次评测中，文心助手任务Agent将模型任务评估得分提升至94%以上，充分证明优秀的系统架构与工程实现，能够显著释放模型潜在能力。即便是同一底层模型，换上文心助手任务Agent的框架，任务完成率也会明显提升。在Agent时代，框架工程能力的重要性正在超过单纯的模型参数比拼。

目前，文心助手任务Agent的核心技术已全面应用于百度App及文心助手，用户可登录chat.baidu.com，点选「任务」板块即可体验相关功能。