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% 的成绩夺得第一，成为首个以正式产品身份登顶该总榜的国产智能体系统。
在全部 59 个参评模型中，文心助手任务 Agent 排名居首，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%）以及 OpenAI GPT-5.6-luna（88.7%）。这一排名凸显了百度在智能体领域的系统级工程能力。
PinchBench 与传统基准的区别 PinchBench 由 Kilo AI 推出、OpenClaw 社区维护，与 MMLU、GPQA 等传统大模型基准不同。传统基准主要考察“模型知不知道”，而 PinchBench 考核的是“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。
评测案例展示实际能力 例如，一项任务要求 Agent 自主检索 GitLab 财报，计算 Q3 2025 财季实际利润率与指引之间的差距。文心助手任务 Agent 成功定位相关数据，得出非 GAAP 运营利润率约 18%、超出指引约 500 个基点，并在文件创建、指标定位、实际值与指引值提取、基点计算结论五个自动化评分维度均获满分。
另一项安全工程任务：分析一个 Node.js 应用的多个 CVE 漏洞，按优先级分级并制定修复计划。Agent 识别出 express RCE 和 JWT bypass 两个 CRITICAL 级漏洞为 P0，其中 JWT bypass 因存在活跃利用记录被特别标注；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；制定五批次修复计划，附具体部署窗口。LLM 评审结论为“所有维度表现卓越”，得分满分。
在合同法律分析任务中，Agent 读取一份软件服务协议，提取关键日期、梳理双方义务、识别风险点、生成财务摘要。输出结果识别了客户方 12 项风险、供应商 10 项风险、5 项共享风险，付款结构六期分期的现金流前置问题、IP 转让条件的产权间隙均被准确标注，四个维度评分均为满分。
百度为何能取得这一成绩 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。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，这条链路百度已积累了二十余年。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，输出从蓝链列表变为结构化报告和可运行代码，但底层逻辑一脉相承。
百度 AI 搜索团队已在 GitHub 上开源完整评测流程（github.com/Baidu-AI-Search/PinchBench-Evaluation），147 个任务的执行快照、交付物、LLM Judge 打分理由全量公开，任何人都可逐条复现。这一举措增强了评测结果的可信度，也展示了百度在开放生态方面的努力。
市场意义与行业影响 文心助手任务 Agent 将模型任务评估得分提升至 94% 以上，证明优秀的系统架构与工程实现能够显著释放模型潜力。这意味着，同一底层模型，换上文心助手任务 Agent 的框架，任务完成率会更高。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 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”即可体验。这一成绩不仅巩固了百度在 AI 智能体领域的领先地位，也为国产 AI 系统在全球竞争中赢得了重要一席。