Microsoft 与 Hugging Face 发布 ThinkingBox，以数据库终态评测 Agent 真实成效

Microsoft 与 Hugging Face 发布 ThinkingBox 沙箱和 ThinkingBox-Bench 基准，通过 507 个有状态业务工作流、每个任务独立运行 20 次，用可执行检查评分 Agent 留下的终端数据库状态和副作用，而非工具调用或最终回复。