百度文心助手任务Agent登顶国际权威榜单,超越Claude、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%)、OpenAI GPT-5.6-luna(88.7%)。

这个榜单,测的是最难作假的能力
PinchBench 由 Kilo AI 推出,OpenClaw 社区维护。它和 MMLU、GPQA 这类传统大模型基准的区别很直接: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,PinchBench 用于衡量模型与 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较大差距。这也说明,文心助手任务 Agent 取得榜首成绩,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 搜索团队在 GitHub 上开源了完整评测流程(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,任何人都可以逐条复现。
让AI从「动动嘴」,到「迈开腿」
比如其中一个任务是:「GitLab Q3 2025 财季的实际利润率与指引之间差了多少个基点?」没有给任何数据文件,Agent 需要自主检索 GitLab 财报原文或电话会议记录,定位相关指引,计算出非 GAAP 运营利润率约 18%、超出指引约 500 个基点,并将结论写入指定文件。
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——全部满分 1.0。
另一个任务考的是安全工程: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。评测要求 Agent 识别 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需要特别标注;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(4 月 12 日紧急热修、4 月 14 日 P1 批次)。
LLM 评审的评审结论是「所有维度表现卓越」,得分满分 1.0。
还有一个合同法律分析的 case,任务是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。这种任务过去需要律师助理花几个小时。文心助手任务 Agent 的输出结果,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,全部做到了——最终评分四个维度都是满分 1.0。
上面这些复杂的任务文心助手任务 Agent 都不在话下,更不用说普通用户的日常办公需求。
比如,你扔给文心助手一份职业数据表,然后说「统一表头格式,新建汇总 sheet,按职业大类做汇总表和 Top10/Bottom10 榜单,生成图表对比各职业大类就业人数。」
这是一条有内部依赖关系的任务链,任何一步出错后面就没法接。文心助手任务 Agent 自主拆解,一次性跑完。

或者你给不了这么详细的指令,想摇个盲盒:「我这周末想从北京去青岛玩两天 solo trip。」没有给任何别的信息。Agent 自主检索了交通、住宿、景点实时数据,排出完整行程、预算清单和避坑指南,交付一份可以直接截图出发的攻略。

或者你不想每次都要问 AI,让它帮你完成重复性又高脑力的劳动,可以设置定时任务,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 给我」。

7×24 小时,用户无需时刻在场。
为什么是百度做出来了?
答案其实很简单:百度是一家在意图理解上花了 20 多年的公司。
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——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二十余年。
工具集从索引爬虫升级成了代码执行环境、文件处理器和实时 API 接口,输出从蓝链列表变成了结构化报告和可运行代码,但底层逻辑一脉相承。
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。
也就是说,同一个底层模型,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,可登录 chat.baidu.com ,点选「任务」,即可体验。
本文由百度提供,量子位获授权转载,观点归原作者所有。
版权所有,未经授权不得以任何形式转载及使用,违者必究。
Related Articles
Binding of Isaac developer removes AI music from Repentance Plus
Terrence O'Brien is the Verge’s weekend editor. He’s covered the tech industry for over 18 years and knows a thing or two about synths.The Binding of Isaac: Repentance Plus has spent the last few days getting...
The vibe-coding revolution is coming to all the gadgets
This is The Stepback, a weekly newsletter breaking down one essential story from the tech world. For more on the vibe-hacking of everything, follow David Pierce. The Stepback arrives in our subscribers’...
Nature:糖尿病大鼠成功恢复正常血糖!用电刺激迷走神经控糖
< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 2026-11-22 ...
A社数学家用Claude又证明另一千禧难题,逼出一份写了12年的940页纯人类手稿
< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 2026-11-22 ...