Hugging Face Blog·· 13 天前AI 评分34
微软 ThinkingBox 基准测试：AI 智能体自报完成，数据库却不同意
The Agent Said It Was Done. The Database Disagreed.
AI 导读
微软与 Hugging Face 联合发布 ThinkingBox 基准，通过 507 个有状态业务流程、每个任务重复运行 20 次，按智能体留下的后端数据库状态和副作用而非生成文本打分。
来源：Hugging Face Blog · huggingface.co