微软与 Hugging Face 发布 AI Agent 评估框架 ThinkingBox
微软与 Hugging Face 联合发布 AI Agent 评估框架 ThinkingBox 并上线 OpenEnv。该框架不依赖生成文本或工具调用日志，而是通过校验 507 个业务工作流最终的后端数据库状态与侧效应来评估任务完成度；测试针对各模型重复运行 20 次以衡量可靠性，结果显示约 79.9% 的失败来自工具使用而非逻辑推理。
推荐理由：该框架通过校验终端数据库状态与侧效应来评估 Agent 任务完成度，为测量 Agent 连续执行的可靠性与一致性成本提供了具体方法。