微软发布 ThinkingBox：用数据库终态而非自述评判 AI 智能体
微软与 Hugging Face 联合发布 ThinkingBox，通过隔离 MCP 会话检查智能体留下的后端状态与副作用，而不是看它生成的文字，Bench 覆盖 507 个有状态业务流程、每个任务重复运行 20 次。
推荐理由：微软与 Hugging Face 联合发布的智能体基准，用后端数据库终态而非模型自述来判定成败，并公开了 507 个任务、20 次重复运行的完整环境。
微软与 Hugging Face 联合发布 ThinkingBox，通过隔离 MCP 会话检查智能体留下的后端状态与副作用，而不是看它生成的文字，Bench 覆盖 507 个有状态业务流程、每个任务重复运行 20 次。
推荐理由：微软与 Hugging Face 联合发布的智能体基准，用后端数据库终态而非模型自述来判定成败，并公开了 507 个任务、20 次重复运行的完整环境。