Hugging Face Blog·· 3 小时前
微软 ThinkingBox 上线 Hugging Face，按后端状态与 20 次重复评测智能体
The Agent Said It Was Done. The Database Disagreed.
SI 导读
微软与 Hugging Face 联合发布 ThinkingBox 与 ThinkingBox-Bench，已在 Hugging Face 上线并通过 OpenEnv 运行，按智能体留下的后端状态和副作用而非生成的回答评分，每个任务重复运行 20 次。
精选SI 评分67
推荐理由
原文用 507 个有状态业务流程各跑 20 次，区分单次成功率与跨次一致性，并给出按可靠性计算的成本，可迁移到团队自建智能体评测。
来源：Hugging Face Blog · huggingface.co