微软发布ThinkingBox基准：评估AI智能体在业务流中的终端状态可靠性

微软联合Hugging Face发布ThinkingBox基准，通过终端状态验证揭示AI智能体在复杂业务流中工具调用与结果不一致的可靠性问题。该基准在507个工作流上测试18个模型，发现多数失败源于工具处理而非推理，并提供了成本与一致性分析。