# ThinkingBox

微软发布ThinkingBox基准：评估AI代理后端状态而非回复

微软联合Hugging Face发布ThinkingBox基准，通过评估AI代理留下的后端状态而非回复文本进行分级。该基准涵盖507个工作流，测试显示近七成看似成功的任务实际存在数据错误。