HuggingFace Blog·· 2 天前精选AI 评分69
微软与 Hugging Face 发布 ThinkingBox 基准，按数据库终态评测智能体可靠性
The Agent Said It Was Done. The Database Disagreed.
AI 导读
微软与 Hugging Face 在 Hugging Face 上发布 ThinkingBox 智能体评测基准与数据集，它按隔离 MCP 会话中留下的数据库终态和副作用打分，而非模型生成的文字。
推荐理由
微软与 Hugging Face 用 507 个有状态业务流程的重复评测，呈现了工具调用正确但数据库状态出错的失败模式。
来源：HuggingFace Blog · huggingface.co