Hugging Face Blog·· 24 天前精选AI 评分74
微软与 Hugging Face 发布 ThinkingBox 基准，以数据库终态评测 Agent 并要求 20 次重复运行
The Agent Said It Was Done. The Database Disagreed.
来源与原文
Hugging Face Blog
发布时间：（北京时间）
阅读原始来源 · huggingface.co ↗完整链接与内容说明
https://huggingface.co/blog/microsoft/thinkingbox
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
Microsoft 与 Hugging Face 联合发布 ThinkingBox 及 ThinkingBox-Bench，通过隔离 MCP 会话检查 Agent 留下的终端数据库状态和副作用，而非只看工具调用或回复文本，覆盖 507 个有状态业务工作流，每任务独立运行 20 次，已通过 OpenEnv 上线 Hugging Face。
推荐理由
基准不看工具调用而看数据库终态，18 个模型在 507 任务上跑 20 次，区分了单次成功与可依赖性，并给出每次可靠任务的成本对比。
来源：Hugging Face Blog · huggingface.co