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。