Hugging Face Blog·· 15 天前精选AI 评分63
微软 ThinkingBox 基准：Agent 自称完成，数据库却不认同
The Agent Said It Was Done. The Database Disagreed.
AI 导读
微软联合 Hugging Face 发布 ThinkingBox 基准：用后端数据库终态与副作用评估 AI Agent，覆盖 507 个状态化业务流程、每任务重复 20 次。
推荐理由
原文对比 18 个模型在 507 个状态化工作流上的 pass@1 与 20 次重复一致性，并给出每次可靠任务的成本排序。
来源：Hugging Face Blog · huggingface.co