Hugging Face Blog·· 2 天前精选AI 评分76
微软与 Hugging Face 推出 ThinkingBox 评测基准，以数据库终态检验智能体可靠性
The Agent Said It Was Done. The Database Disagreed.
AI 导读
微软与 Hugging Face 联合推出智能体评测沙箱 ThinkingBox 及基准数据集 ThinkingBox-Bench，通过检查底层数据库终态与副作用而非仅看模型回复来评估智能体。
推荐理由
该评测跳出文本和工具调用的表面指标，通过底层数据库终态与连续重复测试揭示了智能体执行可靠性的巨大落差。
来源：Hugging Face Blog · huggingface.co