微软与 Hugging Face 发布 ThinkingBox：按数据库终态给 AI 智能体打分
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，它让智能体在隔离的 MCP 工具会话中运行，只根据最终后端状态和副作用打分，而不是看模型生成的文字。
推荐理由：微软与 Hugging Face 联合发布的智能体评测基准，用数据库终态而非模型自述来判定成败，并给出 20 次重复下的可靠性数据。
内容形态
评测基准 最新动态
到底谁更强：编码与 Agent 基准成绩、评测方法论争议与排行榜变化的持续记录。
82 条精选近 30 天 81 条共收录 302 条
更新
精选归档 · 第 5 页
Hugging Face Blog精选AI 评分7171
Mistral AI精选AI 评分7171 Mistral 发布 Agentic Search 检索层，FinanceBench 准确率提升至 86%
Mistral 发布 Agentic Search，一个让模型在多步检索循环中查找、检查和验证信息的检索层，通过 Mistral Search Toolkit 提供，并内置于 Studio 和 Vibe 的 Libraries。
推荐理由：原文给出多步检索循环在 FinanceBench 与 OfficeQA Pro 上的准确率、token 与延迟变化，可据此判断传统 one-shot RAG 的边界。