Microsoft ThinkingBox 登陆 Hugging Face，以后端状态评测智能体真实可靠性
Microsoft 与 Hugging Face 发布 ThinkingBox 智能体沙箱和 ThinkingBox-Bench 基准，507 个有状态业务工作流、每任务运行 20 次，用可执行检查评测终端数据库状态与副作用，现已通过 OpenEnv 在 Hugging Face 开放。
推荐理由：原文用可执行的后端状态检查区分了表面成功与真实结果，还给出各模型一致性与成本数据，对评估智能体有直接参考。