微软与Hugging Face联合发布AI智能体评估基准ThinkingBox

2026年10月4日，微软与Hugging Face联合发布了AI智能体评估基准ThinkingBox及数据集ThinkingBox-Bench。该基准旨在解决当前智能体评估中过度依赖表面文本输出或工具调用次数的问题。ThinkBox通过构建507个无状态业务工作流，对AI智能体进行20次重复运行，以终端状态的一致性作为核心评估指标，从而更准确地衡量智能体的实际工作能力。这是继此前相关进展后，双方在该领域推出的又一重要评估工具。

AI 根据报道生成 · 50 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。