微软与Hugging Face发布ThinkingBox评测基准

2026年10月4日，微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox 智能体评测基准，并已在 Hugging Face 上线，包含评测框架（harness）与数据集。据 Hugging Face 博客报道，ThinkingBox 通过隔离的 MCP 工具会话运行智能体，再根据其留下的后端终态和副作用判分，而非看它生成的回答；报道还称该基准会要求智能体连续完成二十次。环境方面，报道称已在 Linux 和 WSL 上测试，需 Python 3.11+、uv 和 Docker；OpenEnv 镜像只启动 OpenEnv API，其余需自行运行。许可方面，报道称 ThinkingBox 代码采用 MIT 许可，基准数据采用 CDLA-Permissive-2.0，OpenEnv 环境按 OpenEnv 的 BSD-3-Clause 发布。目前为首次发布，尚无后续进展报道。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。