Hugging Face Blog·· 1 天前精选AI 评分
微软与 Hugging Face 发布 ThinkingBox：按数据库终态而非生成文本给 AI 智能体打分
The Agent Said It Was Done. The Database Disagreed.
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话运行智能体，按终端后端状态和副作用而非生成文本打分，覆盖 507 个有状态业务流程、每个任务重复运行 20 次。
微软与 Hugging Face 联合发布的智能体评测基准，用 507 个有状态工作流和 20 次重复运行，把工具调用成功率与数据库终态正确率区分开来。
来源：Hugging Face Blog · huggingface.co