2026 年 7 月 17 日，百度文心助手任務 Agent 在全球工程向 AI 智慧體評測榜單 PinchBench v2 中，以 最高分 94.6%、平均分 94.4% 的成績奪得第一，成為首個以正式產品身份登頂該總榜的國產智慧體系統。
在全部 59 個參評模型中，文心助手任務 Agent 排名居首，領先於 Anthropic Claude Opus 4.8-fast（93.5%）、阿里通義千問 Qwen3.7-max（92.5%）、Anthropic Claude Opus 4.8（90.5%）以及 OpenAI GPT-5.6-luna（88.7%）。這一排名凸顯了百度在智慧體領域的系統級工程能力。
PinchBench 與傳統基準的區別 PinchBench 由 Kilo AI 推出、OpenClaw 社群維護，與 MMLU、GPQA 等傳統大模型基準不同。傳統基準主要考察“模型知不知道”，而 PinchBench 考核的是“智慧體能不能把整件事做完並交付可驗證的結果”。當前版本包含 23 個真實工作場景、147 項任務，覆蓋資料分析、研究寫作、程式碼開發、辦公自動化、文件處理、網頁操作、多媒體處理七大類別，共完成 617 次測試執行。評分採用“自動化校驗 + LLM 評審”雙軌機制，全程零人工干預。
評測案例展示實際能力 例如，一項任務要求 Agent 自主檢索 GitLab 財報，計算 Q3 2025 財季實際利潤率與指引之間的差距。文心助手任務 Agent 成功定位相關資料，得出非 GAAP 運營利潤率約 18%、超出指引約 500 個基點，並在檔案建立、指標定位、實際值與指引值提取、基點計算結論五個自動化評分維度均獲滿分。
另一項安全工程任務：分析一個 Node.js 應用的多個 CVE 漏洞，按優先順序分級並制定修復計劃。Agent 識別出 express RCE 和 JWT bypass 兩個 CRITICAL 級漏洞為 P0，其中 JWT bypass 因存在活躍利用記錄被特別標註；將 PostgreSQL SQL 注入定為 P1，並結合 PCI DSS 支付路徑給出上下文；將僅影響構建階段的依賴漏洞降級為 P2/P3；制定五批次修復計劃，附具體部署視窗。LLM 評審結論為“所有維度表現卓越”，得分滿分。
在合同法律分析任務中，Agent 讀取一份軟體服務協議，提取關鍵日期、梳理雙方義務、識別風險點、生成財務摘要。輸出結果識別了客戶方 12 項風險、供應商 10 項風險、5 項共享風險，付款結構六期分期的現金流前置問題、IP 轉讓條件的產權間隙均被準確標註，四個維度評分均為滿分。
百度為何能取得這一成績 文心助手任務 Agent 依託百度搜索 獵戶座 AI 引擎的多智慧體框架構建。搜尋引擎本身就是最早的 Agent 雛形——接收意圖、拆解任務、呼叫工具、驗證結果，這條鏈路百度已積累了二十餘年。工具集從索引爬蟲升級為程式碼執行環境、檔案處理器和即時 API 介面，輸出從藍鏈列表變為結構化報告和可執行程式碼，但底層邏輯一脈相承。
百度 AI 搜尋團隊已在 GitHub 上開源完整評測流程（github.com/Baidu-AI-Search/PinchBench-Evaluation），147 個任務的執行快照、交付物、LLM Judge 打分理由全量公開，任何人都可逐條復現。這一舉措增強了評測結果的可信度，也展示了百度在開放生態方面的努力。
市場意義與行業影響 文心助手任務 Agent 將模型任務評估得分提升至 94% 以上，證明優秀的系統架構與工程實現能夠顯著釋放模型潛力。這意味著，同一底層模型，換上文心助手任務 Agent 的框架，任務完成率會更高。Agent 時代，框架工程能力的重要性正在超過單純的模型引數比拼。
目前，文心助手任務 Agent 核心技術已全面應用於百度 App 及文心助手，使用者可登入 chat.baidu.com，點選“任務”即可體驗。這一成績不僅鞏固了百度在 AI 智慧體領域的領先地位，也為國產 AI 系統在全球競爭中贏得了重要一席。