" 这个榜单，测的是最难作假的能力。"

2026 年 7 月 17 日，百度文心助手任务 Agent 在 PinchBench v2 评测中，以最高分 94.6%、平均分 94.4% 的成绩拿下总榜第一。它是首个以正式产品身份拿到 PinchBench 榜首的国产智能体系统。59 个参评模型中，Anthropic Claude Opus 4.8-fast 得分 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%，全部被甩在身后。

PinchBench 由 Kilo AI 推出、OpenClaw 社区维护，和 MMLU、GPQA 这类传统大模型基准走的不是一条路。传统基准问的是 " 模型知不知道 "，PinchBench 问的是 " 智能体能不能把整件事做完并交付可验证的结果 "。当前版本覆盖 23 个真实工作场景、147 项任务，横跨数据分析、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，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，直接堵住了靠刷题或靠蒙的投机可能。

更值得关注的是，同一底座模型搭上不同的 Agent 框架，跑出来的分数会有明显差距。PinchBench 不仅能测模型，还能量出框架工程的水准。文心助手任务 Agent 拿下榜首，靠的不单是模型底座，而是模型能力和系统工程协同打造的完整交付力。百度 AI 搜索团队已经在 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 打分理由全部公开，任何人都能逐条复现。

榜单上的高分数是怎么来的？看看具体任务就知道了。一个典型题目是："GitLab Q3 2025 财季的实际利润率与指引之间差了多少个基点？" 没有任何数据文件，Agent 需要自己检索 GitLab 财报原文或电话会议记录，找到指引数值，算出非 GAAP 运营利润率约 18%、超出指引约 500 个基点，再把结论写入指定文件。评测中，文件创建、指标定位、实际值与指引值提取、基点计算结论五个维度全部满分 1.0。

安全工程任务更考验综合分析能力。题目要求分析一个 Node.js 应用的多个 CVE 漏洞，按优先级分级并制定修复计划。Agent 必须识别出 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需要特别标注；将 PostgreSQL SQL 注入定为 P1 并关联 PCI DSS 支付路径给出上下文；把仅影响构建阶段的依赖漏洞降级为 P2/P3；再制定五批次修复计划，附带具体部署窗口：4 月 12 日紧急热修、4 月 14 日 P1 批次。LLM 评审的结论是 " 所有维度表现卓越 "，又是满分 1.0。

合同法律分析任务同样让人挑不出毛病。Agent 要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。文心助手任务 Agent 的输出结果，辨识出客户方 12 项风险、供应商 10 项风险、5 项共享风险，还理清了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——四个评分维度全部满分。

这些复杂任务能交出满分答卷，普通用户的日常办公需求就更不在话下。比如把一份职业数据表扔给文心助手，说一句 " 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 "。这条指令背后是一串有内部依赖关系的任务链，文心助手任务 Agent 自主拆解，一次性跑完。再简化一点，来一句 " 我这周末想从北京去青岛玩两天 solo trip"，Agent 自动检索交通、住宿、景点实时数据，排出完整行程、预算清单和避坑指南。你甚至不用时刻在场，设定一个定时任务：" 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，任务 Agent 准时交付。

为什么是百度做出来了？答案藏在一家搜素引擎公司二十多年的意图理解积累里。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，而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年以上。过去工具集是爬虫和索引，输出是一串蓝链；现在升级成了代码执行环境、文件处理器和实时 API 接口，输出变成了结构化报告和可运行代码。底层逻辑没有变，只是能力范围和交付形态彻底打开了。

把大模型任务评估得分拉升到 94% 以上，也再次说明了一件事：在 Agent 时代，系统架构与工程实现的重要性正在超过单纯的模型参数比拼。同一个底层模型，换上文心助手任务 Agent 的框架，任务完成率就能更高。目前，这套核心能力已全面应用在百度 App 和文心助手当中，登录 chat.baidu.com，点选 " 任务 "，就可以直接上手体验。