Aioga
AI资讯 / 行业动态
返回 AI资讯

Microsoft ThinkingBox 在 Hugging Face 上发布,以数据库终态和 20 次重复评测智能体

Hugging Face:BlogAioga 编辑团队2026-10-03T22:56:48.000Z热度 72

Microsoft 与 Hugging Face 发布 ThinkingBox 智能体沙箱与 ThinkingBox-Bench 基准,覆盖 507 个有状态业务工作流、每任务...

行业动态Hugging Face:Blog

今日 AI 情报摘要

Microsoft 与 Hugging Face 发布 ThinkingBox 智能体沙箱与 ThinkingBox-Bench 基准,覆盖 507 个有状态业务工作流、每任务运行 20

次,以终局数据库状态和副作用作可执行判定,现可通过 OpenEnv 在 Hugging Face 上运行。

中文正文 · AI 翻译

一个工具调用不是结果:#a-tool-call-is-not-an-outcome 一次成功不是可靠性:#one-success-is-not-reliability 你能依赖你代理背后的模型吗?:#can-you-depend-on-the-model-behind-your-agent 一致性要付出什么代价:#what-consistency-costs 帕累托成本前沿:#pareto-cost-frontier 现在定价一致性:#now-price-consistency 失败特征:#failure-signatures 它是如何工作的:#how-it-works 自己运行它:#run-it-yourself 在你开始之前:#before-you-start 安装:#install 启动 Typesense:#start-typesense 启动 MCP 服务器:#start-the-mcp-servers 启动 OpenEnv 服务器:#start-the-openenv-server 检查就绪情况:#check-readiness 给一集打分:#score-an-episode 下一步走向:#where-this-goes-next Microsoft ThinkingBox 根据 AI 代理留下的记录对其评分,而不是生成的句子,然后检查它们是否可以连续完成二十次。现在可以通过 Hugging Face 获取。

Microsoft ThinkingBox 在 Hugging Face 上发布,以数据库终态和 20 次重复评测智能体
Microsoft ThinkingBox 在 Hugging Face 上发布,以数据库终态和 20 次重复评测智能体
Figure-1

:https://cdn-uploads.huggingface.co/production/uploads/64b8491203124195cd795cad/Dzuml_9K2lfRq4hZi17EY.png

图 1:ThinkingBox 让代理在独立的 MCP 工具会话中运行,然后对其留下的终端后端状态和副作用进行评分。来自我们的 ThinkingBox 论文:https://arxiv.org/abs/2608.19741。

一位客户来信。她的 745 美元厨房电器在纳什维尔的配送中心被卡在快递“例外”状态,超过预计交货日期十五天。

AI 代理仔细工作。九次工具调用:它拉取订单,检查追踪信息,查看她的客户档案,两次搜索退款政策,确认没有现有工单,创建一个工单,记录时间线,并正确阅读政策;她的账户分段确实不符合延迟交货赔偿。

然后它将工单关闭为已解决,并回复“由于您的问题已解决,我还能为您提供其他帮助吗?”

有两点错误。承运商异常仍然存在,因此所需的最终状态是挂起,等待解决。此外,客户从未真正得到她实际提出的问题的答案。

检查工具调用的 AI 评分器会看到九次格式良好的调用。检查代理是否写入数据库的评分器也会看到这一点。不同的是数据库给出的结果与预期不符。

ThinkingBox 衡量的就是这个差距。在 507 个有状态的业务工作流中,每个工作流在不同的 LLM 模型上运行 20 次,它根据终端后台状态和副作用对代理进行评分。本文介绍了我们的发现、一致性成本以及如何通过 OpenEnv 自行运行基准测试:https://github.com/huggingface/OpenEnv/tree/main/envs/thinkingbox_env。

你可以自己运行这个任务:上面的示例是从基准任务 sandbox_external_retail_group1.py:test_case_ST003_006 改编而来的:https://github.com/microsoft/thinkingbox-data/blob/thinkingbox-bench-v1.0/dataset/test_case/sandbox_external_retail/sandbox_external_retail_group1.py#L984-L1223,且失败的可执行检查仅涉及一个字段:工单状态为“已解决”,而所需的最终状态是“待处理”。完整的追踪记录见我们论文附录 D.4,案例 3:https://arxiv.org/pdf/2608.19741。

想在阅读结果前试试吗?跳到“自己运行”部分:#run-it-yourself。

最终响应和有效工具调用只是代理指标。一个代理可能听起来正确,但却留下错误的数值、修改了错误的记录或生成了额外的副作用。只有它留下的记录才能揭示问题的真相。

差距是显著的。在一个包含 121,680 次有效试验、覆盖 12 个 LLM 模型的常见集合消融实验中,有 79,853 次尝试未通过可执行检查。在这些失败中,67.24% 仍然正常结束,调用了会改变状态的工具,并报告无最终工具错误。然而,可执行检查仍在其中 77.61% 的案例中发现字段值错误,43.30% 的案例中出现意外额外副作用,25.36% 的案例中缺少必要副作用。这些状态检查结果存在重叠。

一个轨迹是一种声明。数据库状态是证据。重复是信任测试。

一个代理如果一次正确处理退款,但接下来的四次处理错误,就不能算作一个可用退款代理。因此,每个任务都会独立运行 20 次,每次从相同的干净后台开始,我们报告三种不同的数据:

表 1:我们报告的三组数据,以及每组数据回答的问题。

在本文博客中,我们使用 "observed 20/20" 作为字面计数,表示 507 个任务中有多少任务 20 次全满分。没有估计器,没有平滑处理。

从熟悉的视角开始。下表报告了 pass@1,即单次尝试得分估计,按领域分类。这个数字是大多数排行榜发布的数字,本身看起来像普通的能力排名。

表 2:ThinkingBox-Bench 按领域的 pass@1 (%)。每个模型在每个任务上都进行 20 次重复评估。加粗表示组内领头;下划线表示亚军。单次尝试得分估计的标准误见我们 ThinkingBox 论文的表 4:https://arxiv.org/abs/2608.19741。

Claude Opus 5.5 总体领先,达 67.16%,比 Claude Opus 5 高出约三分之一点。Kimi-K3 是最强的开源权重模型,接近 GPT-6-Astra 仅一分之差。领域同样很重要:Claude Opus 4.6 在零售领域得分 68.62%,但在汽车保险领域仅得 8.30%。

一次良好的运行表明模型能够完成工作,但并不能说明它是否会再次完成。因此,对每个任务运行 20 次,然后观察得分能保持多少。

Figure-2

:https://cdn-uploads.huggingface.co/production/uploads/64b8491203124195cd795cad/DjaLNZKNeU--Xy2WFCvVX.png

图 2:每个模型的单次尝试得分在 20 次重复中保持的比例。

只有三款模型能保持大部分 pass@1 得分:GPT-6 Astra 保持 78% 的单次尝试率,Claude Opus 5.5 和 Claude Opus 5 各保持 71%。相反,GLM-5.1、Kimi-K2.6 和 DeepSeek-V4-Pro 各仅保持约 8%。

模型一次能够完成的与每次都能完成的之间的差距才是完整的故事。

:https://cdn-uploads.huggingface.co/production/uploads/64b8491203124195cd795cad/NONd2WGm4vtGpsVgs-CIq.png

图 3:广度与一致性拉开了距离。显示了 18 个模型中的 12 个;为了可读性,pass@1 低于 33% 的 6 个模型被省略。

Kimi-K3 拥有我们测试的模型中最广的覆盖率。它至少成功完成了 93.89% 的基准测试:507 个任务中完成了 476 个。仅有 31 个任务完全失败,是该领域最低的数量。在零售工作流程中,它以 82.24% 的 pass@1 排名第一,领先于所有专有模型。

Kimi-K3 也是一致性较低的模型之一。在 507 个任务中,仅有 68 个任务(13.41%)在 20 次尝试中全部成功。

Claude Opus 5 扭转了这一点。它至少完成较少的任务(79.09%;106 个任务完全没完成),但在每次尝试中完成了基准测试的 47.53%。

更新的模型没有解决这个问题。Claude Opus 5.5 在每次尝试的平均得分上高于 Claude Opus 5,分别为 67.16% 对 66.50%,并且至少完成更多任务。它在所有 20 次尝试中通过的任务数量完全相同:241 个。半个百分点的总体准确率没有带来任何额外的可靠性。

如果你正在选择用于处理真实记录的模型,pass@20 不是应该关注的列。

能力比较通常止于分数。对于任何部署者来说,真正相关的问题是成功完成一项工作的成本。我们将其测量为每次成功任务尝试的成本。我们说“任务尝试”,因为每个基准任务都重复运行且每次尝试都会产生成本,所以 pass@1 是匹配质量的分母。

我们使用每个模型在完整的 507 × 20 测试中记录的 token 使用情况,并按 OpenRouter(https://openrouter.ai/)上提供的未折扣列表价进行定价,撤销促销折扣并且排除声明量化的端点。输入、输出和缓存费用都来自每个模型的一个提供端点。

然后我们将一次运行的成本除以成功尝试的次数:

每次成功任务尝试的成本 = 507 次尝试(每个任务各一次)的预计成本 ÷ (507 × pass@1)

这是一种比较效率指数,而不是发票,也不是处理一次生产请求的价格。它也只计算单次成功,而不是一致性。我们接下来定价一致性。

示例:GPT-5.4 的 507 次任务尝试(每个任务一次)成本为 $43.49,pass@1 为 65.36%,所以 $43.49 ÷ (507 × 0.6536) = 每次成功任务尝试 $0.131。

如果没有其他模型既不更贵又至少同样准确,则某模型处于前沿。三个模型符合条件;其他所有模型在至少一个方面被支配。

:https://cdn-uploads.huggingface.co/production/uploads/64b8491203124195cd795cad/oGmXYrxoNPJfsQndxlcMD.png

图 4:每次成功任务尝试成本与 pass@1 的关系。圈出的点是帕累托成本前沿模型。

前沿线有三个步骤。GPT-5.6 Sol 的每次成功成本最低,为 $0.127;GPT-5.4 以每次成功多花 $0.004 的代价,将 pass@1 提高了 3.45 个百分点;Claude Opus 5.5 再增加 1.80 个百分点,每次成功成本 $0.276。这三个模型都保持在成本前沿线上,因为没有更便宜的模型能够匹配它们的 pass@1。

Claude Opus 5 是最明显的例子:每次成功尝试成本 $0.475,pass@1 为 66.50%,既比 Claude Opus 5.5 更贵($0.276),又准确率更低(67.16%)。

每次成功成本奖励的是廉价且经常正确的模型。它不会奖励每次都正确的模型。因此我们还计算了每次可靠任务的成本:20 次完整运行活动的成本 ÷ 模型在所有 20 次尝试中通过的任务数。

每次可靠任务的成本 = 20 次 507 次尝试的预计成本 ÷ 20/20 完成的任务数

示例:GPT-6-Astra 的活动成本为 20 × $86.03 = $1,720.60,且在每次尝试中通过 231 个任务,因此每次可靠任务成本为 $1,720.60 ÷ 231 = $7.45。

表 3:在至少有一个 20/20 任务记录的模型中,每次可靠任务成本最低的九个模型,按从低到高排序。为估算值,以美元计,而非实际云账单。

现在按一致性排名。GPT-5.4 成本最低,为 $6.80,但只有 128 个任务达到标准。GPT-6 Astra 达到 231 个任务,成本 $7.45;Claude Opus 5.5 的最高记录为 241,成本 $7.80。

三者中没有模型完全占据优势:每增加一个可靠任务成本就会增加。Claude Opus 5 也通过 241 个任务,但成本为 $13.30,因此 Opus 5.5 完全占优。GPT-5.6 Sol,每次单次成功成本最低,为 $0.127,但每次可靠任务成本为 $9.76。获得正确答案的最便宜方式并不是获得可靠答案的最便宜方式。

我们为每个失败的追踪分配一个确定性的诊断特征,且结论具有可操作性:大约五分之四的失败是工具处理问题,而非推理问题。在我们论文表 5 的消融研究中:https://arxiv.org/pdf/2608.19741

这些是每个模型的份额和可观察标签的非加权平均值,而非独特的因果解释。

实际模式很简单:代理通常会尝试完成工作流程,但随后由于工具错误、未满足的前提条件或空查找而无法恢复。这是一个重试和错误恢复的问题,而不是模型本身的问题。

难度也会因领域而异:在上表2中列出的模型中,零售领域平均通过率为59.52%,而汽车保险领域平均为33.83%。

该如何处理。将20/20的通过率视为设计输入,而不是最终裁决。基准评分的相同信号在生产中也是可用的:在提交之前检查终端状态,而不是模型对它的总结。

将工具和系统错误分类,以便重试针对可恢复的错误。将工具界面限制到工作流程所需的部分。并且在无法廉价撤回的更改上要求人工审批。我们尚未测量这些在此基准上带来的提升,但这正是当前环境可以进行测试的类型。

ThinkingBox是代理沙箱,而ThinkingBox-Bench是用于评估代理的数据集基准。本文顶部的图示显示了循环;以下是各部分的作用。

:https://cdn-uploads.huggingface.co/production/uploads/64b8491203124195cd795cad/elbRGqTXW6PIqci7xcEJN.png

图5:上文图1中面板A的沙箱循环:隔离的工具会话、终端数据库状态、副作用、可执行评判器。

每个任务定义了初始后端状态、用户目标、可用的MCP工具、领域策略,以及对终端状态的可执行检查。模拟用户持有私密上下文(预订参考号、偏好或出生日期),仅在被请求时释放。

每次尝试都会获得一个状态全新初始化的隔离MCP会话。同一任务的两次尝试从不共享数据库行或缓存的工具状态,这也正是20次试验比较具有意义的原因。

情报判断

Aioga 编辑摘要

Microsoft 与 Hugging Face 发布 ThinkingBox 智能体沙箱和 ThinkingBox-Bench 基准,覆盖 507 个有状态业务工作流,并要求每项任务运行 20 次,以最终数据库状态和副作用进行判定。

背景分析

来源介绍称,ThinkingBox 不仅检查工具调用,还检查智能体在隔离的 MCP 工具会话中留下的终态后端状态及副作用;该项目现可通过 OpenEnv 在 Hugging Face 上运行。

Aioga 观点

Aioga 判断:将数据库终态与重复运行纳入评测,能把“调用工具”与“完成任务”区分开,但单一基准仍不足以代表所有真实业务场景中的可靠性。

影响与后续

可能影响:智能体评估可能更重视可验证结果和一致性,而非仅看文本或工具调用记录;这不代表 ThinkingBox 已覆盖全部业务风险,部署判断仍需要结合具体流程。 后续观察:建议关注 ThinkingBox-Bench 的任务覆盖、评分执行方式及实际运行情况,并核对不同智能体在终态正确性、重复表现和副作用控制上的差异。

来源与版权说明

本页正文由公开来源页面提取并按原有信息整理,同时保留来源、发布时间和原文入口。版权归原作者及来源网站所有,请通过原文链接核验和阅读来源版本。

抓取通道: 摘要聚合 · 原始域名: huggingface.co

来源: Hugging Face:Blog

原文链接: 打开原始来源

Aioga 归档: 查看情报页

Content record: source-page · Updated: 2026-10-03T22:56:48.000Z

API 中转站
API RELAY · DEVELOPER INFRASTRUCTURE

API 中转站

统一接入主流 AI 模型 API,为开发、测试与生产环境提供稳定调用入口。

立即访问 api.w173.com
AIOGA SHARE POSTER

分享这篇 AI 情报

Microsoft 与 Hugging Face 发布 ThinkingBox 智能体沙箱与 ThinkingBox-Bench 基准,覆盖 507 个有状态业务工作流、每任务...

Hugging Face:Blog2026-10-03T22:56:48.000Z
扫码打开文章详情扫码直达文章详情

Aioga 自动聚合全球 AI 动态,并保留来源信息用于核验与引用。