百度文心助手任务Agent登顶PinchBench v2，超越Claude和GPT获全球智能体冠军

事件概述

2026年7月17日，百度文心助手任务Agent在全球工程向AI智能体评测榜单PinchBench v2中，以最高分94.6%、平均分94.4%的成绩排名第一，成为首个以正式产品身份登顶该榜的国产智能体系统。在59个参评模型中，文心助手任务Agent领先于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%）、OpenAI GPT-5.6-luna（88.7%）。

核心信息

• 榜单特点：PinchBench由Kilo AI推出、OpenClaw社区维护，与传统大模型基准不同，它考核智能体能否完成整项任务并交付可验证结果。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，共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。
• 评测意义：PinchBench衡量模型与Agent框架的综合能力，同一底座模型搭载不同框架得分差异显著。文心助手任务Agent的榜首成绩代表模型能力与系统工程协同的综合实力。百度AI搜索团队已在GitHub开源完整评测流程，包括147个任务的执行快照、交付物和评审理由，可供复现。
• 典型任务示例：
  • GitLab财报分析：自主检索财报原文，计算非GAAP运营利润率约18%、超出指引约500个基点，文件创建、指标定位、提取、计算等五维度均获满分1.0。
  • 安全工程：分析Node.js应用的多个CVE漏洞，识别两个CRITICAL级漏洞为P0并标注活跃利用记录，将PostgreSQL SQL注入定为P1并给出支付路径上下文，制定五批次修复计划，LLM评审满分1.0。
  • 合同法律分析：读取软件服务协议，识别客户方12项风险、供应商10项风险、5项共享风险，付款结构现金流前置问题、IP转让产权间隙均被检出，四维度满分1.0。
  • 日常办公：支持自然语言指令处理复杂电子表格（统一表头、新建汇总sheet、生成Top10/Bottom10图表）、旅行规划（自动检索交通住宿景点输出完整行程）、定时任务（每周汇总AI论文生成HTML报告）等。

值得关注

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。百度在意图理解领域深耕二十余年，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。文心助手任务Agent将模型任务评估得分提升至94%以上，表明优秀的系统架构与工程实现能显著释放模型潜力。Agent时代，框架工程能力的重要性正在超越单纯模型参数比拼。目前，该Agent核心技术已全面应用于百度App及文心助手（chat.baidu.com，点选“任务”体验）。