Hugging Face·· 3 小时前精选AI 评分80
微软与 Hugging Face 开源 ThinkingBox：基于后端数据库状态评测 Agent 可靠性
The Agent Said It Was Done. The Database Disagreed.
AI 导读
微软与 Hugging Face 联合开源了 ThinkingBox 沙箱及 ThinkingBox-Bench 基准，通过检查终端数据库状态和副作用来评估 AI 智能体的实际任务完成度与 20 次重复一致性。
推荐理由
该基准将评测标准从工具调用格式转向后端状态变更与多次重复一致性，有助于评估真实业务落地风险。
来源：Hugging Face · huggingface.co