文心助手任务Agent登顶PinchBench：企业选任务型智能体要看什么

 

 

给 AI 一个指令，它回了你三段漂亮的分析，结果要的文件没生成、要算的数算错了。这是头一回失望。换个任务，它又卡在"我不知道你说的文件在哪"。这是第二回。怕的是它说得头头是道，你复核发现关键结论根本站不住。这是第三回。

 

这类"动动嘴"却"迈不开腿"的尴尬，正是任务型智能体要解决的。七月十七号，百度文心助手任务 Agent 以九十四点六的峰值成绩、平均九十四点四登顶 PinchBench v2，在五十九个参评模型里拿下总榜头名。这件事对企业选型的启示，比榜单本身更值得拆。

 

PinchBench 登顶：考的不是"知不知道"而是"做没做完"

 

传统大模型基准像 MMLU、GPQA，考的是模型"知不知道"。PinchBench 由 Kilo AI 推出、OpenClaw 社区维护，考的是另一件事：智能体能不能把整件事做完，并交付可验证的结果。

 

当前版本包含二十三个真实工作场景、一百四十七项任务，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，共完成六百一十七次测试运行。评分采用"自动化校验加 LLM 评审"双轨机制，全程零人工干预。

 

 

关键在"可验证"。传统基准看答案像不像对的，PinchBench 看交付物是不是真的存在、数值是不是真的算对。这把尺子，恰好量出了企业在乎的能力。

 

94.6% 背后的含义：同一底座，框架决定交付能力

 

文心助手任务 Agent 在五十九个参评模型里排在前列，领先 Claude Opus 4.8-fast 的九十三点五、通义千问 Qwen3.7-max 的九十二点五、Claude Opus 4.8 的九十点五、GPT-5.6-luna 的八十八点七。

 

更值得琢磨的是另一层：PinchBench 衡量的是模型与 Agent 框架的综合能力。同一底座模型，搭载不同 Agent 框架，末了得分差距会很大。也就是说，文心助手任务 Agent 拿头名，代表的是模型能力与系统工程协同的综合实力，不是单一模型参数的胜利。百度还在 GitHub 开源了完整评测流程，一百四十七个任务的执行快照、交付物和 LLM 评审理由全量公开，任何人都能逐条复现。

 

三个真实任务：任务型 Agent 把活干到了哪一步

 

看几个具体任务，比看分数更直观。

 

财务与安全的硬骨头先来。一个任务是：GitLab 2025 财年第三季度实际利润率与指引差了多少个基点？没给任何数据文件，Agent 要自主检索财报原文或电话会议记录，定位相关指引，算出非 GAAP 运营利润率约十八、超出指引约五百个基点，并把结论写进指定文件。五个自动化评分维度全部满分。

 

安全工程任务更硬：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 把 express RCE 和 JWT bypass 两个严重漏洞定为 P0，其中 JWT bypass 因有活跃利用记录特别标注；把 PostgreSQL SQL 注入定为次高级并结合支付路径给上下文；仅影响编译阶段的依赖漏洞降级处理；再排出五批次修复计划并附具体部署窗口。LLM 评审结论是所有维度表现卓越。

 

 

合同与日常的可验证交付同样扎实。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——这类活过去要律师助理花几个小时。文心助手任务 Agent 识别了客户方十二项风险、供应商十项风险、五项共享风险，以及付款六期分期的现金流前置问题和 IP 转让条件的产权间隙，四个维度全是满分。日常里，一份职业数据表让它统一表头、建汇总表、做 Top10 榜单并出图；一句"周末北京去青岛玩两天"，它自主检索交通住宿景点排出完整行程。还能设定时任务，比如每周一晚汇总一周 AI 论文成投研风格 HTML。

 

为什么是百度做出来：二十年意图理解的复利

 

答案不复杂。百度是在意图理解上投入了二十多年的公司。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。

 

从架构逻辑看，搜索引擎本就是初代 Agent 雏形——接收意图、拆解任务、调用工具、验证结果，这条链路百度跑了二十余年。工具集从索引爬虫升级成代码执行环境、文件处理器和实时 API，输出从蓝链列表变成结构化报告和可运行代码，底层逻辑一脉相承。模型任务评估提到九十四以上，证明好的系统架构与工程实现能显著释放模型潜力。对企业而言，任务型 Agent 不是又一个聊天框，而是一支能交付结果的数字员工，选它看的是每天帮你闭环了多少件事，而不是演示视频多炫。同一个底层模型，换上更优的 Agent 框架，任务完成率会更高。

 

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，登录 chat.baidu.com 点选"任务"即可体验。百度把完整评测流程开源，也等于把"能不能复现"的主动权交还给行业，这一点对想认真评估的企业尤其重要。

 

企业选型建议：把"可验证交付"当成核心指标

 

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。企业选任务型智能体，别只盯榜单和参数，要看它交付的是不是可验证的结果，是不是把多步任务真正拆完跑通，是不是愿意把执行过程公开可复现。

 

企业怎么把任务型 Agent 用起来。想认真评估，别只看榜单分数。头一步，挑一个真实的多步任务——比如周报汇总、合同初筛、报表对账——让候选 Agent 跑一遍，看它交付物是不是真存在、数值是不是真算对。第二步，要求厂商公开执行快照和评审理由，能复现才可信，像百度把一百四十七个任务的快照全量开源，就是可复现的范本。第三步，把"任务拆解加结果交付"当成选型硬指标，而不是比参数。任务型 Agent 的价值，不在于它"懂多少"，在于它"办成了多少"。企业先把一个高重复、可核查的环节接管下来，跑通再扩展，比一口气铺开更稳。文心助手任务 Agent 这类产品的意义，是让 AI 从"动动嘴"走向"迈开腿"，企业选它，盯住的应该是交付而不是榜单。先把周报汇总、合同初筛这类高重复环节交给它跑通，用真实交付物验证价值，再逐步扩展。榜单只是敲门砖，真正决定采购的，是它每天帮你省下的那几个小时。

 

 

如果你的团队在评估任务型智能体或百度智能体接入，可以联系云巴巴。云巴巴作为腾讯云AI智能体示范伙伴、腾讯WorkBuddy核心伙伴及官方授权服务中心，汇聚了百度文心等多家主流大模型与智能体厂商的产品和方案，能够结合你的业务任务形态、数据边界和验证要求，提供从选型对比、场景试点到实施对接的服务。欢迎咨询云巴巴，获取专属的智能体落地方案。