微软与 Hugging Face 发布 ThinkingBox：以数据库终态而非生成文本评估 AI 智能体

完整中文导读

微软与 Hugging Face 联合发布 ThinkingBox 基准，通过 507 个有状态业务工作流、每个任务重复 20 次，评估 AI 智能体在数据库终态和副作用上的表现，而非仅看工具调用或最终回复。结果显示，在 121,680 次有效试验中，79,853 次未通过可执行检查，其中 67.24% 仍干净终止并调用状态变更工具且无最终工具错误；失败中约 79.9% 为工具使用问题。

模型一致性差异显著，如 Claude Opus 5.5 与 Claude Opus 5 均仅 241 个任务 20/20 通过，而 Kimi-K3 虽覆盖最广但仅 68 个任务全通过。该基准已通过 Hugging Face 开放。