本时段（2026年10月05日08:00 → 2026年10月05日09:45，北京时间）SI信息茧房共入选 1 条，来自 1 个来源。
论文（1）
Microsoft 与 Hugging Face 发布智能体评测基准 ThinkingBox
Micros[]oft 与 Huggin[]g Face 联合发布智能[]体评测基准 Thinki[]ngBox，[]通过检查数据[]库最终状态和[]副作用而非工[]具调用来评估[]智能体。该研[]究在 507 个有状态工作[]流上对 12 个 LLM 模型进行了 20 次重复测试，[]发现模型的一[]次性成功率（[]pass@1[]）与始终正确[]率（20/2[]0）之间存在[]巨大差距。
该研究通过检查数据库最终状态而非工具调用来评估智能体，揭示了模型一次性成功与可靠执行之间的显著差距。
Hugging Face Blog · 10-04 06:56 · 在SI信息茧房查看
本文由 SI信息茧房 自动生成，原文版权归各来源所有。
