微软联合Hugging Face发布AI Agent评估框架ThinkingBox

微软联合 Hugging Face 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，评估 Agent 的任务完成度。 为衡量可靠性，测试针对各模型重复运行 20 次。评估结果显示，约 79.9% 的 Agent 失败源于工具使用错误，而非逻辑推理缺陷。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。