Hugging Face Blog·· 2 天前精选AI 评分80
Microsoft 与 Hugging Face 发布 ThinkingBox 智能体评测基准
The Agent Said It Was Done. The Database Disagreed.
AI 导读
Microsoft 与 Hugging Face 发布 ThinkingBox 和 ThinkingBox-Bench，用数据库终态及副作用评估 AI 智能体是否真正完成业务工作流，并将每项任务独立运行 20 次衡量一致性。
推荐理由
ThinkingBox 将评估焦点从对话和工具调用转向数据库终态，并通过每项任务重复运行衡量一致性，为检验智能体是否可靠完成业务流程提供了可复用基准。
来源：Hugging Face Blog · huggingface.co