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
内容提要
百度文心助手任务Agent以94.6%最高分登顶全球工程向AI智能体评测榜单PinchBench v2，领先Claude、GPT等模型。该评测考核真实工作场景任务完成能力，文心助手在数据分析、安全漏洞修复、合同分析等复杂任务中表现卓越，并开源评测流程。其成功源于百度二十余年搜索意图理解技术积累，证明框架工程能力比模型参数更重要。
延伸解读
榜单含金量：考“做事”而非“答题”
PinchBench v2 与传统大模型基准（如 MMLU、GPQA）不同，它不考“模型知不知道”，而是考“智能体能不能把整件事做完并交付可验证的结果”。榜单覆盖 23 个真实工作场景、147 项任务，采用自动化校验与 LLM 评审双轨机制，全程零人工干预。这意味着文心助手任务 Agent 的榜首成绩，代表的是在真实任务中完成并交付可验证结果的能力，而非单纯的参数或知识储备比拼。
框架工程能力比模型参数更重要
文章指出，PinchBench 衡量的是模型与 Agent 框架的综合能力，即便是同一底座模型，搭载不同框架，得分也会存在较大差距。文心助手任务 Agent 以 94.6% 的最高分登顶，说明其成功不仅源于模型本身，更得益于百度二十余年搜索意图理解技术积累所构建的多智能体框架。这印证了在 Agent 时代，优秀的系统架构与工程实现能够显著释放模型潜力，框架工程能力的重要性正在超过单纯的模型参数比拼。
开源评测流程，可复现可验证
百度 AI 搜索团队在 GitHub 上开源了完整评测流程，包括 147 个任务的执行快照、交付物和 LLM Judge 打分理由，任何人都可以逐条复现。这种透明度有助于社区验证评测结果的真实性，也为其他团队提供了可参考的 Agent 评测方法。对于关注智能体能力的开发者或研究者而言，这是一个值得关注的资源，可以借此深入了解任务 Agent 在复杂场景下的具体表现和评测细节。
Q&A
百度文心助手任务Agent在PinchBench v2榜单上的成绩是多少？
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PinchBench v2榜单，成为首个以正式产品身份获得总榜第一的国产智能体系统。
PinchBench v2与传统大模型基准（如MMLU）有何不同？
传统基准（如MMLU、GPQA）主要考察模型的知识储备，而PinchBench v2考察智能体能否将整个任务完成并交付可验证的结果，更注重实际工作场景中的任务完成能力。
PinchBench v2包含哪些任务类别？
PinchBench v2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。
百度文心助手任务Agent在安全漏洞修复任务中表现如何？
在安全漏洞修复任务中，文心助手任务Agent成功识别了express RCE和JWT bypass两个CRITICAL级漏洞并定为P0，将PostgreSQL SQL注入定为P1，并制定了五批次修复计划，LLM评审给出满分1.0。
百度文心助手任务Agent在合同分析任务中取得了什么成果？
在合同分析任务中，文心助手任务Agent识别了客户方12项风险、供应商10项风险、5项共享风险，并分析了付款结构和IP转让条件，四个维度均获满分1.0。
百度文心助手任务Agent的成功原因是什么？
其成功源于百度二十余年搜索意图理解技术的积累，依托百度搜索猎户座AI引擎的多智能体框架构建，证明了优秀的系统架构与工程实现能显著释放模型潜力，框架工程能力比模型参数更重要。
用户如何体验文心助手任务Agent？
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。
