模型评测

微软发布 ThinkingBox：智能体评测改查数据库，不再看它说了什么

微软与 Hugging Face 联合发布智能体评测环境 ThinkingBox 与 507 任务基准，改为直接检查智能体留下的数据库终态。12 个模型各跑 20 轮后发现，单次成功率和 20 次全对的任务数几乎不相关。