Thinkingbox 沙箱与评测基准发布，覆盖 507 条有状态业务流程
One Success Isn't Reliability: Thinkingbox, a Sandbox and Benchmark for Agents in Stateful Business Workflows
阅读原文
本站未展示全文，请前往来源网站阅读。
AI 导读
论文提出 Thinkingbox，一个面向工具、智能体与用户交互的沙箱，提供隔离的 MCP 兼容工具会话、完整执行轨迹以及基于终端后端状态的结果评测。
来源：Hugging Face Daily Papers · arxiv.org