Hugging Face Blog·· 14 小时前精选AI 评分83
Microsoft ThinkingBox 和 ThinkingBox-Bench 开源：基于终端状态检查评估 AI Agent 可靠性
The Agent Said It Was Done. The Database Disagreed.
AI 导读
Microsoft 与 Hugging Face 联合发布了 ThinkingBox 沙箱环境和 ThinkingBox-Bench 基准，现可通过 Hugging Face 和 OpenEnv 访问。
推荐理由
原文提供了 507 个有状态业务工作流的 20 次重复基准数据，以及按次成功成本与可靠性成本对比，可据此判断模型在真实数据库记录变更中的表现差异。
来源：Hugging Face Blog · huggingface.co