ThinkingBox：AI 智能体说任务已完成，数据库却不认同

微软与Hugging Face联合介绍ThinkingBox，依据AI智能体执行后的后台记录和副作用判断任务是否完成。基准涵盖507个有状态业务工作流，每项重复20次，区分单次成功、至少一次成功和20次全成功。可通过OpenEnv自行运行，结果仅适用于该基准及测试模型，不代表所有真实任务的可靠性。