微软联合 Hugging Face 推出 ThinkingBox 基准：基于数据库终态检验智能体可靠性

微软与 Hugging Face 联合推出 AI 智能体评测基准与沙盒 ThinkingBox，通过检验任务执行后的后端数据库终态与实际副作用，评估模型在真实业务流程中的有效性与重复可靠性。该基准涵盖 507 个有状态业务工作流并对每个任务独立重复运行 20 次，测试发现约 80% 的任务失败源于工具调用而非推理问题，目前相关环境与数据集已在 Hugging Face 开源。