OpenEnv

為什麼 Agent 的對話會騙人？微軟與 HF 推出 ThinkingBox 評測真實資料庫狀態

The Agent Said It Was Done, the Database Disagreed: Introducing ThinkingBox

傳統評測只看對話和工具呼叫，微軟與 Hugging Face 推出的 ThinkingBox 則改用「資料庫最終狀態」與「副作用」來檢驗 Agent 的真實可靠度。