Hugging Face Blog·· 6 小时前精选AI 评分82
Microsoft与Hugging Face推出ThinkingBox智能体评测环境与基准
The Agent Said It Was Done. The Database Disagreed.
AI 导读
Microsoft与Hugging Face推出ThinkingBox及ThinkingBox-Bench，通过检查智能体执行任务后的数据库终态和副作用，而非只看回复或工具调用，评估其完成业务工作流的情况。
推荐理由
ThinkingBox将评估焦点从工具调用和回复转向数据库终态，并用每项任务20次重复区分单次能力与稳定性，为智能体落地评估提供了可复用的衡量思路。
来源：Hugging Face Blog · huggingface.co