Hugging Face Blog·· 59 分钟前精选AI 评分83
微软推出 ThinkingBox：以终端状态评估AI智能体一致性的新基准
The Agent Said It Was Done. The Database Disagreed.
AI 导读
微软与Hugging Face联合发布ThinkingBox和ThinkingBox-Bench，通过507个无状态业务工作流的20次重复运行评估AI智能体，而非依赖表面文本或工具调用次数。
推荐理由
以终端状态而非输出语句评估智能体一致性，揭示频繁存在的状态错误与调用失败问题。
来源：Hugging Face Blog · huggingface.co