PilotDeck × Workbuddy Bench 全量跑分公布

2026-11-03

Agent 工具越来越多，谁的能力更强？

我们在 Workbuddy Bench上把 PilotDeck 、 Claude Code 和 WorkBuddy 放在一起评测，快来看看结果吧！

测试内容：

➀ 覆盖办公、网页、代码、安全四个赛道，共 260 项真实任务；每题独立运行 3 次，四个赛道合计 4680 次正式运行

➁ 统一评审模型 gpt-5.6-sol；两套开源底座模型：DeepSeek-V4.1-Flash 与 GLM-5.3

➂ 三个框架、同一底座、同一任务集，对比框架本身的工程能力

四个赛道分别测什么：

➀ 办公： 在包含 Excel、PDF、Word、CSV 等文件的工作区中，完成数据核对、整理汇总、文件更新和汇报制作，并交付可检查的结果

➁ 网页： 包括从零开发或修改网页，覆盖页面交互、数据可视化、视觉设计、前端测试等，既看页面效果，也检查实际操作和状态变化

➂ 代码： Agent 需要进入真实开源项目，理解完整仓库结构、跨文件定位问题、修改代码，并通过隐藏测试

➃ 安全： 覆盖漏洞挖掘、恶意软件分析、安全运营和 Agent 安全四类工作，考察 Agent发现问题、给出证据、完成验证，并控制测试过程风险的能力

评测结果显示：

➀ DeepSeek-V4.1-Flash 底座下，PilotDeck 四赛道综合均分 73.66，超越Claude Code （73.36）和WorkBuddy （64.56）

➁ 在办公、Web、代码、安全四个赛道中，PilotDeck 得分均高于 WorkBuddy

➂ 部分赛道 PilotDeck 位列第一：网页任务上，底座为 GLM-5.3 时 PilotDeck 以 68.33 分超越 Claude Code（63.76）位列第一；在 DeepSeek-V4.1-Flash 底座下，PilotDeck 在安全任务评测中以 68.30 分位于第一；代码任务上，PilotDeck 分数高于 Claude Code 和 WorkBuddy

🔍关注我们

PilotDeck 由 THUNLP、OpenBMB、AI9Stars 联合开发，代码开源、不绑定任何固定模型，欢迎大家试用、反馈！

🔗官网：https://pilotdeck.openbmb.cn/

🔗GitHub：https://github.com/OpenBMB/PilotDeck