Microsoft ThinkingBox 通过 Hugging Face 开放智能体数据库终态评测
Microsoft ThinkingBox 现已通过 Hugging Face 开放，用数据库终态和副作用评测 AI 智能体，而不是只看最终回复或工具调用。ThinkingBox-Bench 覆盖 507 个有状态业务工作流，每个任务重复 20 次，并报告 pass@1、pass@20 和 observed 20/20。失败诊断显示约 79.9% 的失败来自工具使用，而不是推理。
推荐理由：原文给出以数据库终态和副作用评测智能体的方法，读者可据此检查工具调用之外的真实结果与多次运行稳定性。