微軟／Hugging Face：ThinkingBox 以終端資料庫狀態驗業務代理——507 項工作流各跑二十次；一次成功≠可靠；OpenEnv 可自測
微軟與 Hugging Face 於十月三日聯合發文，介紹業務代理沙箱 ThinkingBox 與基準 ThinkingBox-Bench：以終端後端狀態與副作用為準繩，檢驗「代理說做完」是否等於「資料庫真的改對」。基準涵蓋五百零七項有狀態業務工作流，每項獨立重跑二十次；在一項涵蓋十二款模型、約十二萬一千六百八十次有效...
微軟與 Hugging Face 於十月三日聯合發文，介紹業務代理沙箱 ThinkingBox 與基準 ThinkingBox-Bench：以終端後端狀態與副作用為準繩，檢驗「代理說做完」是否等於「資料庫真的改對」。基準涵蓋五百零七項有狀態業務工作流，每項獨立重跑二十次；在一項涵蓋十二款模型、約十二萬一千六百八十次有效...