百度文心助手任务 Agent 登顶 PinchBench v2：以 94.6% 最高分超越 Claude 和 GPT，拿下全球智能体冠军

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获得 PinchBench 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%）和 OpenAI GPT-5.6-luna（88.7%）。

PinchBench：考的是「能干完活」而不是「知不知道」

PinchBench 由 Kilo AI 推出，OpenClaw 社区维护。它与 MMLU、GPQA 等传统大模型基准有本质区别：传统基准考「模型知不知道」，PinchBench 考「智能体能不能把整件事做完并交付可验证的结果」。

当前版本包含 23 个真实工作场景、147 项任务，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，共完成 617 次测试运行。评分采用「自动化校验 + LLM 评审」双轨机制，全程零人工干预。

更关键的是，即使是同一底座模型，搭载不同 Agent 框架，最终评测得分也会存在较大差距。这说明文心助手任务 Agent 的榜首成绩，代表的是模型能力与系统工程协同打造的综合实力第一。百度 AI 搜索团队已在 GitHub 上开源了完整评测流程。

实战能力：从财报分析到安全工程

PinchBench 中的任务模拟了真实工作场景中的复杂需求。例如一个任务要求 Agent 检索 GitLab Q3 2025 财报原文，计算非 GAAP 运营利润率与实际指引之间的基点差距——五个自动化评分维度全部满分。

另一个安全工程任务要求分析 Node.js 应用的多个 CVE 漏洞并按优先级制定修复计划：Agent 不仅准确识别了 express RCE 和 JWT bypass 两个 CRITICAL 级漏洞为 P0，还结合 PCI DSS 支付路径给出了上下文修复建议，制定了五批次修复计划并附具体部署窗口。LLM 评审结论为「所有维度表现卓越」。

在实际应用中，文心助手任务 Agent 已支持 7x24 小时定时任务——用户可设定「每周一晚上十点汇总近一周的高质量 AI 领域论文，用投研报告风格的 HTML 输出」，Agent 自主完成检索、筛选、分析和交付。

百度凭什么做出来？

百度在意图理解上深耕了二十余年。从架构逻辑来看，搜索引擎本身就是最早的 Agent 雏形——接收意图、拆解任务、调用工具、验证结果，这条链路百度已经跑了超过二十年。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，工具集从索引爬虫升级为代码执行环境、文件处理器和实时 API 接口。

文心助手任务 Agent 目前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」体验。

量子位：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。文心助手任务 Agent 证明了优秀的系统架构能够显著释放模型潜力。