🏆 智能体 · 榜单速递
百度文心助手任务 Agent 登顶 PinchBench 全球榜：94.6% 力压 Claude、GPT，国产智能体首夺总榜第一
7 月 17 日，文心助手任务 Agent 以最高分 94.6%、平均分 94.4% 登上工程向 AI 智能体评测 PinchBench v2 总榜第一（59 个参评模型），成为首个以正式产品身份夺冠的国产智能体系统。比名次更值得关注的，是它想证明的那句话：Agent 时代，框架工程比参数更值钱。
来源：公开报道•
2026-07-22•
全文约 3 分钟读完
#文心助手任务Agent
#PinchBench
#AI智能体
#百度
🥇 第 1 名
PinchBench v2 总榜 · 59 个参评模型
94.6%
最高分，领先第二名 1.1 个百分点
94.4%
平均分，共 617 次测试运行
※ 成绩性质提示：以上数据来自百度 AI 搜索团队自行运行 PinchBench v2 的结果，评测材料已开源可复现，但并非榜单方统一施测——读法详见文末「编辑视角」。
⚡ 30 秒速览
- 赢了多少：力压 Claude Opus 4.8-fast（93.5%）、Qwen3.7-max（92.5%）、GPT-5.6-luna（88.7%）；与第五名分差 5.9 个百分点。
- 榜单硬在哪：23 个真实工作场景、147 项任务、7 大类别，考「把整件事做完并交付可验证结果」；自动校验 + LLM 评审双轨打分，全程零人工。
- 敢不敢验：147 个任务的执行快照、交付物、LLM Judge 打分理由已全量开源，任何人可逐条复现。
- 深层信号：同一底座模型搭载不同 Agent 框架，得分差距明显——系统工程能力正成为 Agent 竞争的分水岭。
- 怎么读：本文系百度供稿通稿，成绩为百度团队自测口径，「登顶」含金量请配合文末「编辑视角」一起服用。
01总榜 Top 5 文心助手任务 Agent 位居榜首
Claude Opus 4.8-fastAnthropic
93.5
Claude Opus 4.8Anthropic
90.5
注：为便于直观对比，柱形自 85 分起缩放，非零起点；分差以标注分数为准。榜首与第二名分差 1.1 个百分点，与第五名分差 5.9 个百分点。各模型的施测主体与 Agent 框架配置，原始报道未逐一说明。
02PinchBench：测的是最难作假的能力
PinchBench 由 Kilo AI 推出、OpenClaw 社区维护。它与 MMLU、GPQA 等传统基准的区别非常直接：
传统基准（MMLU / GPQA）
考「模型知不知道」——答题式评测，与现实交付距离较远。
PinchBench v2
考「智能体能不能把整件事做完，并交付可验证的结果」。
23真实工作场景
147评测任务
617测试运行
7任务大类
七大类别：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。评分采用「自动化校验 + LLM 评审」双轨机制，全程零人工干预。
更关键的一点：PinchBench 衡量的是模型 + Agent 框架的综合能力——即便是同一底座模型，搭载不同 Agent 框架，最终得分也会存在较大差距。因此这个榜首被百度定义为模型能力与系统工程协同打造的「综合实力第一」。
03它到底会做什么？三个满分任务
💹 财务分析：GitLab 利润率 vs 指引差多少基点？5 维全满分 1.0
- 不给任何数据文件，Agent 自主检索 GitLab Q3 2025 财报原文与电话会议记录，定位相关指引。
- 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。
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。
🛡️ 安全工程：Node.js 应用 CVE 漏洞分级与修复满分 1.0
- 识别 express RCE、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。
- PostgreSQL SQL 注入定为 P1，并结合 PCI DSS 支付路径给出上下文；仅影响构建阶段的依赖漏洞降级为 P2/P3。
- 输出五批次修复计划，附具体部署窗口：4 月 12 日紧急热修、4 月 14 日 P1 批次。
LLM 评审结论：「所有维度表现卓越」，得分 1.0。
⚖️ 合同法律分析：一份软件服务协议的全面体检4 维全满分 1.0
- 提取关键日期、梳理双方义务、识别风险点、生成财务摘要——过去需要律师助理花上几个小时。
- 识别客户方 12 项风险、供应商 10 项风险、5 项共享风险。
- 揪出两个隐蔽问题：六期分期付款的现金流前置问题、IP 转让条件的产权间隙。
04硬核任务不在话下，日常办公更从容
📊
一句话处理 Excel 任务链
「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。」——多步之间存在内部依赖，任何一步出错后面就没法接。Agent 自主拆解，一次性跑完。
🧳
「盲盒式」旅行规划
「这周末想从北京去青岛玩两天 solo trip。」——仅此一句，没有别的信息。Agent 自主检索交通、住宿、景点实时数据，交付完整行程、预算清单和避坑指南，一份可以直接截图出发的攻略。
⏰
定时任务：7×24 无需在场
「每周一晚上十点，汇总近一周高质量 AI 论文，用投研报告风格的 HTML 给我。」——设置一次，重复性高脑力劳动自动完成。
05为什么是百度做出来了？
按百度自己的说法，答案很简单：这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。
从架构逻辑看，搜索引擎本身就是最早的 Agent 雏形——这条链路百度已经跑了二十余年：
接收意图→拆解任务→调用工具→验证结果
变化的只是形态：工具集从索引爬虫升级为代码执行环境、文件处理器与实时 API 接口；输出从蓝链列表变成结构化报告与可运行代码。底层逻辑一脉相承。
把任务评估得分推至 94% 以上，百度想证明的是：优秀的系统架构与工程实现，能显著释放模型潜力——同一个底层模型，换上文心助手任务 Agent 的框架，任务完成率就会更高。
编辑核心判断
榜单名次会过期，工程链路不会：谁先跑通「意图—拆解—工具—验证」的闭环，谁才握有 Agent 时代的入场券。
🔎编辑视角 来源与立场提示 · 本平台独立添加
- 通稿属性原文末尾明确注明「本文由百度提供，获授权转载」——这是一篇企业供稿。文中所有成绩、案例细节与「评审结论」均出自百度单方面口径，刊载方未做独立核验。
- 「登顶」的准确含义617 次测试由百度 AI 搜索团队自行运行，并非 PinchBench 官方或独立第三方统一施测；Claude、GPT、Qwen 的成绩由谁跑、搭载什么 Agent 框架与配置，原文未交代——横向对比的公平性无从核验。
- 值得肯定的透明度评测流程、147 个任务快照、交付物与 LLM Judge 理由全量开源，透明度高于绝大多数「自报跑分」；但 LLM 评审具体使用哪家模型打分未披露，需警惕「同源模型互评」带来的潜在偏好。
- 建议读法把「全球第一」理解为「一次材料公开、可复现的自测领先」，等待第三方独立复测再下结论。真正值得跟踪的信号是「同一底座、不同框架、分差巨大」——若被独立验证，它远比一个名次重要。
我们的判断：开源复现材料是这次传播里唯一的硬通货。在独立复测出现之前，谨慎采信名次，认真看待「框架工程价值」这一命题——它恰好也是各家都在押注的方向。
▶现在就能用
核心技术已应用于百度 App 及文心助手；想亲手验证榜单成色，开源仓库里有全部任务快照与评审理由。