AI HOT 精选

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

6.9内容质量

TL;DR · AI 摘要

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

核心要点

  • 主题聚焦:Microsoft ThinkingBox 在 Hugging Face 上发布,以数据库终态和
  • 来源:AI HOT 精选,建议结合原文判断细节。
  • AI 分析暂不可用,本条为保底评分与摘要。
#AI#后端#云计算#开源
打开原文

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

Hugging Face:Blog

·

2026-10-04 06:56

3 小时前

精选

AI 评分

65

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

The Agent Said It Was Done. The Database Disagreed.

AI 导读

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。

推荐理由

åŽŸæ–‡ç”¨æ•°æ®åº“ç»ˆæ€åŠ 20 æ¬¡é‡å¤è¯„æµ‹æ™ºèƒ½ä½“ï¼Œç»™å‡ºä¸€è‡´æ€§ä¿ç•™çŽ‡ã€å¤±è´¥ç­¾åå’Œå¯å¤çŽ°çš„è¿è¡Œæ–¹å¼ï¼Œå€¼å¾—å ³æ³¨è®°å½•åž‹å·¥ä½œæµçš„å¯é æ€§è¯„ä¼°ã€‚

正文 · AI 翻译

Microsoft ThinkingBox æ ¹æ® AI æ™ºèƒ½ä½“ç•™ä¸‹çš„è®°å½•è€Œéžå ¶ç”Ÿæˆçš„è¯­å¥æ¥è¯„åˆ†ï¼Œç„¶åŽè€ƒå¯Ÿå®ƒä»¬èƒ½å¦è¿žç»­äºŒåæ¬¡åšåˆ°è¿™ä¸€ç‚¹ã€‚çŽ°å·²é€šè¿‡ Hugging Face 提供。

图 1:ThinkingBox 在隔离的 MCP å·¥å ·ä¼šè¯ä¸­è¿è¡Œæ™ºèƒ½ä½“ï¼Œç„¶åŽå¯¹å ¶ç•™ä¸‹çš„ç»ˆç«¯åŽç«¯çŠ¶æ€å’Œå‰¯ä½œç”¨è¿›è¡Œè¯„åˆ†ã€‚æ‘˜è‡ªæˆ‘ä»¬çš„ ThinkingBox 论文 。

#### 这是 Microsoft 与 Hugging Face 的联合博客,特别感谢 Tommy Guy(Enderis AI 创始人,此前在 Microsoft)、Hugging Face 的 Sergio Paniegoï¼Œä»¥åŠæˆ‘ä»¬æ­¤å‰çš„å®žä¹ ç”Ÿ Zhuochun Liï¼ˆåŒ¹å ¹å ¡å¤§å­¦ï¼‰ã€Ali Keramatiï¼ˆåŠ å·žå¤§å­¦æ¬§æ–‡åˆ†æ ¡ï¼‰ã€Youngmin Koï¼ˆè¥¿åŒ—å¤§å­¦ï¼‰çš„å ±åŒæ’°å†™/å®¡é˜ å·¥ä½œã€‚

一位客户来信。她那台价值 745 ç¾Žå ƒçš„åŽ¨æˆ¿ç”µå™¨åœ¨çº³ä»€ç»´å°”é é€ä¸­å¿ƒé™·å ¥å¿«é€’â€œå¼‚å¸¸â€çŠ¶æ€ï¼Œå·²è¶ è¿‡é¢„è®¡é€è¾¾æ—¥æœŸåäº”å¤©ã€‚

AI æ™ºèƒ½ä½“åšäº†ç»†è‡´çš„å·¥ä½œã€‚ä¹æ¬¡å·¥å ·è°ƒç”¨ï¼šå®ƒæ‹‰å–è®¢å•ã€æ£€æŸ¥ç‰©æµã€æŸ¥æ‰¾å¥¹çš„å®¢æˆ·èµ„æ–™ã€ä¸¤æ¬¡æœç´¢é€€æ¬¾æ”¿ç­–ã€ç¡®è®¤ä¸å­˜åœ¨å·¥å•ã€åˆ›å»ºä¸€ä¸ªå·¥å•ã€è®°å½•æ—¶é—´çº¿ï¼Œå¹¶æ­£ç¡®è§£è¯»æ”¿ç­–ï¼›å¥¹çš„è´¦æˆ·ç»†åˆ†ç¡®å®žä¸ç¬¦åˆå»¶è¿Ÿé€è¾¾è¡¥å¿æ¡ä»¶ã€‚

ç„¶åŽå®ƒå°†å·¥å•å ³é—­ä¸º 已解决 ,并回复“ 既然您的问题已解决,还有什么我可以帮您的吗? ”

æœ‰ä¸¤å¤„é”™è¯¯ã€‚æ‰¿è¿å•†å¼‚å¸¸ä»æœªå ³é—­ï¼Œå› æ­¤æ‰€éœ€çš„æœ€ç»ˆçŠ¶æ€æ˜¯ 暂停 ï¼Œç­‰å¾ è§£å†³ã€‚è€Œä¸”å®¢æˆ·ä»Žæœªå¾—åˆ°å¥¹çœŸæ­£æ‰€é—®é—®é¢˜çš„å®žé™ ç­”æ¡ˆã€‚

æ£€æŸ¥å·¥å ·è°ƒç”¨çš„ AI è¯„åˆ†å™¨ä¼šçœ‹åˆ°ä¹æ¬¡æ ¼å¼è‰¯å¥½çš„è°ƒç”¨ã€‚æ£€æŸ¥æ™ºèƒ½ä½“æ˜¯å¦å†™å ¥æ•°æ®åº“çš„è¯„åˆ†å™¨ä¹Ÿä¼šçœ‹åˆ°è¿™ä¸€ç‚¹ã€‚æ•°æ®åº“æ‰æ˜¯ 不同意 的那个。

这一差距正是 ThinkingBox 所衡量的。在 507 个有状态的业务工作流中,每个针对各种 LLM 模型运行 20 æ¬¡ï¼Œå®ƒæ ¹æ®ç»ˆç«¯åŽç«¯çŠ¶æ€å’Œå‰¯ä½œç”¨å¯¹æ™ºèƒ½ä½“è¿›è¡Œè¯„åˆ†ã€‚æœ¬æ–‡æ¶µç›–æˆ‘ä»¬çš„å‘çŽ°ã€ä¸€è‡´æ€§çš„ä»£ä»·ï¼Œä»¥åŠå¦‚ä½•é€šè¿‡ OpenEnv 自行运行该基准测试。

ä½ å¯ä»¥è‡ªå·±è¿è¡Œè¿™ä¸ªï¼š 上面的示例改编自基准任务 sandbox_external_retail_group1.py:test_case_ST003_006 ,而失败的可执行检查只是一个字段:工单状态为已解决,而所需的最终状态是暂停。完整轨迹见我们论文的 附录 D.4,案例 3 。

目录

  • å·¥å ·è°ƒç”¨ä¸ç­‰äºŽç»“æžœ
  • 一次成功不等于可é
  • ä½ èƒ½ä¾èµ–æ™ºèƒ½ä½“èƒŒåŽçš„æ¨¡åž‹å—ï¼Ÿ
  • 一致性的代价
  • 失败特征
  • 工作原理
  • 自行运行
  • 下一步走向

æƒ³åœ¨é˜ è¯»ç»“æžœä¹‹å‰å ˆè¯•ä¸€è¯•ï¼Ÿè·³åˆ° 自行运行 部分。

å·¥å ·è°ƒç”¨ä¸ç­‰äºŽç»“æžœ

æœ€ç»ˆå“åº”å’Œæœ‰æ•ˆçš„å·¥å ·è°ƒç”¨åªæ˜¯ä»£ç†æŒ‡æ ‡ã€‚æ™ºèƒ½ä½“å¯èƒ½å¬èµ·æ¥æ­£ç¡®ï¼Œå´ç•™ä¸‹é”™è¯¯çš„å€¼ã€æ›´æ”¹é”™è¯¯çš„è®°å½•ï¼Œæˆ–äº§ç”Ÿé¢å¤–çš„å‰¯ä½œç”¨ã€‚åªæœ‰å®ƒç•™ä¸‹çš„è®°å½•æ‰èƒ½è§£å†³é—®é¢˜ã€‚

差距是巨大的。在一项覆盖 12 个 LLM 模型、121,680 次有效试验的通用集消融实验中,有 79,853 次尝试未能通过可执行检查。在这些失败中,67.24% ä»ç„¶å¹²å‡€åœ°ç»ˆæ­¢ã€è°ƒç”¨äº†æ”¹å˜çŠ¶æ€çš„å·¥å ·ï¼Œå¹¶ä¸”æ²¡æœ‰æŠ¥å‘Šæœ€ç»ˆçš„å·¥å ·æœ‰é”™è¯¯ã€‚ç„¶è€Œï¼Œå¯æ‰§è¡Œæ£€æŸ¥åœ¨å ¶ä¸­ 77.61% 的案例中发现了错误的字段值,在 43.30% 中发现了非预期的额外效果,在 25.36% ä¸­å‘çŽ°äº†ç¼ºå¤±çš„å¿ è¦æ•ˆæžœã€‚è¿™äº›çŠ¶æ€æ£€æŸ¥å‘çŽ°å­˜åœ¨é‡å ã€‚

轨迹是一种声明。数据库状态是证据。重复是信任测试。

一次成功不等于可é

ä¸€ä¸ªèƒ½æ­£ç¡®å¤„ç†ä¸€æ¬¡é€€æ¬¾ã€å´åœ¨æŽ¥ä¸‹æ¥å››æ¬¡ä¸­å¤„ç†ä¸å½“çš„æ™ºèƒ½ä½“ï¼Œä¸æ˜¯ä¸€ä¸ªèƒ½æ­£å¸¸å·¥ä½œçš„é€€æ¬¾æ™ºèƒ½ä½“ã€‚å› æ­¤ï¼Œæ¯ä¸ªä»»åŠ¡éƒ½è¦è¿è¡Œ 20 次独立试验 ï¼Œæ¯æ¬¡éƒ½ä»Žç›¸åŒçš„å¹²å‡€åŽç«¯å¼€å§‹ï¼Œæˆ‘ä»¬æŠ¥å‘Šä¸‰ä¸ªä¸åŒçš„æŒ‡æ ‡ï¼š

表 1:我们报告的三个数字,以及每个数字所回答的问题。

æŒ‡æ ‡

它衡量什么

它回答什么

pass@1

所有尝试中成功的比例

它通常表现如何?

pass@20

在 20 次尝试中

至少成功一次

的任务比例

它

是否有可能

做到?广度。

观测到的 20/20

å®žé™ é€šè¿‡äº†

å ¨éƒ¨

20 次记录尝试的任务

是否总能

正确?

åœ¨è¿™ç¯‡åšå®¢æ–‡ç« ä¸­ï¼Œæˆ‘ä»¬ä½¿ç”¨ 观测到的 20/20 ,即 507 个任务中有多少个在 20 次中通过了 20 次的字面计数。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,按领域细分。这是大多数排行榜发布的数字,单看它就像一份普通的能力排名。

表 2:ThinkingBox-Bench 按领域划分的 pass@1(%)。每个模型都在每个任务上进行了 20 æ¬¡é‡å¤è¯•éªŒè¯„ä¼°ã€‚ç²—ä½“æ ‡è®°ç»„å† é¢†å ˆè€ ï¼›ä¸‹åˆ’çº¿æ ‡è®°ç¬¬äºŒåã€‚å•æ¬¡å°è¯•å¾—åˆ†ä¼°è®¡çš„æ ‡å‡†è¯¯è§ 我们 ThinkingBox 论文中的表 4 。

模型

零售 (98)

汽车保险 (100)

æ— è¡Œ (104)

数字银行 (104)

咨询 (101)

æ€»ä½“ï¼ŒæŒ‰ä»»åŠ¡åŠ æƒ (507)

专有模型

Claude Opus 5.5

80.97

68.40

54.28

71.25

61.58

67.16

Claude Opus 5

80.71

65.80

49.95

70.62

66.19

66.50

GPT-5.4

76.33

62.65

68.12

65.34

54.60

65.36

GPT-5.6 Sol

67.65

65.30

60.34

59.09

57.52

61.91

Claude Sonnet 4.6

72.35

54.40

58.94

56.39

54.31

59.19

GPT-6 Astra

71.73

46.55

55.87

60.87

56.83

58.31

GPT-5.2

70.20

22.40

53.70

51.15

34.06

46.28

Claude Opus 4.6

68.62

8.30

21.11

35.67

27.82

32.09

o3-pro

37.70

2.95

17.31

24.28

14.60

19.31

Grok-4.3

43.93

2.60

15.14

1.78

9.55

14.38

开放权重模型

Kimi-K3

82.24

50.80

61.83

41.35

51.63

57.37

Qwen3.8-27B

64.03

47.85

53.41

47.88

45.69

51.70

DeepSeek-V4-Pro

68.21

29.65

43.13

44.86

31.04

43.26

Kimi-K2.6

53.72

24.50

39.52

33.65

37.33

37.66

GLM-5.1

58.67

25.70

35.43

13.27

33.19

Qwen3.6-27B

43.11

29.00

46.39

27.84

18.37

32.94

Qwen3.5-9B

19.90

0.70

4.71

1.15

2.33

5.65

Mistral-Large-3

11.28

1.30

8.99

0.74

4.66

Claude Opus 5.5 以 67.16% 总体 é¢†å ˆ ,比 Claude Opus 5 高出三分之二个百分点。Kimi-K3 是最强的 开放权重模型 ,与 GPT-6-Astra 相差不到一个百分点。 é¢†åŸŸåŒæ ·é‡è¦ :Claude Opus 4.6 在零售上得分 68.62%,但在汽车保险上只有 8.30%。

ä¸€æ¬¡å¥½çš„è¿è¡Œå‘Šè¯‰ä½ æ¨¡åž‹èƒ½åšè¿™é¡¹å·¥ä½œã€‚å®ƒä¸ä¼šå‘Šè¯‰ä½ å®ƒæ˜¯å¦ä¼šå†æ¬¡åšåˆ°ã€‚æ‰€ä»¥æ¯ä¸ªä»»åŠ¡è¿è¡Œ 20 次,然后问这个分数有多少能保留下来。

图 2:每个模型的单次尝试得分在 20 次重复后保留了多少。

只有三个 æ¨¡åž‹ä¿ç•™äº†å ¶ pass@1 得分的大部分:GPT-6 Astra ä¿ç•™äº†å ¶å•æ¬¡å°è¯•çŽ‡çš„ 78%,Claude Opus 5.5 和 Claude Opus 5 各保留 71%。在另一端,GLM-5.1、Kimi-K2.6 和 DeepSeek-V4-Pro 各保留约 8%。

模型 能做一次 和它 每次都能做 ä¹‹é—´çš„å·®è·å°±æ˜¯å ¨éƒ¨æ• äº‹ã€‚

ä½ èƒ½ä¾èµ–æ™ºèƒ½ä½“èƒŒåŽçš„æ¨¡åž‹å—ï¼Ÿ

图 3:广度和一致性出现分化。图中显示了 18 个模型中的 12 ä¸ªï¼›ä¸ºäº†æ¸ æ™°èµ·è§ï¼Œçœç•¥äº† 6 个 pass@1 低于 33% 的模型。

Kimi-K3 在我们测试过的所有模型中覆盖范围最广。 å®ƒè‡³å°‘æˆåŠŸè§£å†³ä¸€æ¬¡çš„ä»»åŠ¡å åŸºå‡†æµ‹è¯•çš„ 93.89% :507 个任务中的 476 个。只有 31 ä¸ªä»»åŠ¡å®Œå ¨éš¾å€’å®ƒï¼Œæ˜¯è¿™ä¸€é¢†åŸŸä¸­æœ€å°‘çš„ã€‚åœ¨é›¶å”®å·¥ä½œæµä¸Šï¼Œå®ƒä»¥ 82.24% 的 pass@1 ç›´æŽ¥é¢†å ˆï¼Œè¶ è¿‡æ‰€æœ‰ä¸“æœ‰æ¨¡åž‹ã€‚

Kimi-K3 也是稳定性最差的模型之一。 507 个任务中只有 68 个,即 13.41%ï¼Œåœ¨å ¨éƒ¨ 20 次尝试中都成功。

Claude Opus 5 则相反。它至少成功解决一次的任务更少(79.09%;106 ä¸ªä»»åŠ¡å®Œå ¨éš¾å€’å®ƒï¼‰ï¼Œä½†åœ¨æ¯ä¸€æ¬¡å°è¯•ä¸­éƒ½èƒ½å®ŒæˆåŸºå‡†æµ‹è¯•çš„ 47.53% 。

更新的模型并不能解决这个问题。 Claude Opus 5.5 在每次尝试平均值上高于 Claude Opus 5,为 67.16% 对 66.50%ï¼Œå¹¶ä¸”è‡³å°‘æˆåŠŸè§£å†³ä¸€æ¬¡çš„ä»»åŠ¡æ›´å¤šã€‚å®ƒåœ¨å ¨éƒ¨ 20 æ¬¡å°è¯•ä¸­é€šè¿‡çš„ä»»åŠ¡æ•°é‡å®Œå ¨ç›¸åŒï¼š241 ä¸ªã€‚åŠç‚¹å¤´éƒ¨å‡†ç¡®çŽ‡å®Œå ¨æ²¡æœ‰æ¢æ¥é¢å¤–çš„å¯é æ€§ã€‚

  • Kimi-K3 至少成功解决一次的任务比 Opus 5 多 75 个 。
  • Opus 5 稳定解决的任务比 Kimi-K3 多 173 个 。

å¦‚æžœä½ è¦ä¸ºæ¶‰åŠçœŸå®žè®°å½•çš„å·¥ä½œé€‰æ‹©æ¨¡åž‹ï¼Œpass@20 是错误的参考列。

一致性的代价

èƒ½åŠ›æ¯”è¾ƒé€šå¸¸æ­¢æ­¥äºŽåˆ†æ•°ã€‚å¯¹äºŽä»»ä½•éƒ¨ç½²è€ æ¥è¯´ï¼Œç›¸å ³çš„é—®é¢˜æ˜¯æˆåŠŸå®Œæˆä¸€ä¸ªå·¥ä½œå•å ƒçš„æˆæœ¬æ˜¯å¤šå°‘ã€‚æˆ‘ä»¬å°†å ¶è¡¡é‡ä¸ºæ¯æ¬¡æˆåŠŸä»»åŠ¡å°è¯•çš„æˆæœ¬ã€‚æˆ‘ä»¬è¯´ä»»åŠ¡å°è¯•ï¼Œæ˜¯å› ä¸ºæ¯ä¸ªåŸºå‡†ä»»åŠ¡éƒ½ä¼šè¢«åå¤è¿è¡Œï¼Œè€Œæˆæœ¬æŒ‰æ¯æ¬¡å°è¯•äº§ç”Ÿï¼Œå› æ­¤ pass@1 æ˜¯ä¸Žä¹‹åŒ¹é çš„è´¨é‡åˆ†æ¯ã€‚

我们从每个模型完整的 507 × 20 æ¬¡è¿è¡Œä¸­æå–å ¶è®°å½•çš„ token 用量,并按 OpenRouter + ä¸Šå¯ç”¨çš„æœªæŠ˜æ‰£æ ‡ä»·è®¡ä»·ï¼Œæ’¤é”€ä¿ƒé”€æŠ˜æ‰£ï¼Œå¹¶æŽ’é™¤å£°æ˜Žé‡åŒ–çš„ç«¯ç‚¹ã€‚è¾“å ¥ã€è¾“å‡ºå’Œç¼“å­˜è´¹çŽ‡å‡æ¥è‡ªæ¯ä¸ªæ¨¡åž‹çš„ä¸€ä¸ªæä¾›å•†ç«¯ç‚¹ã€‚

然后我们将一次运行的成本除以 成功 的尝试次数:

每次成功任务尝试的成本 = 507 次尝试(每个任务一次)的估算成本 ÷ (507 × pass@1)

è¿™æ˜¯ä¸€ä¸ªæ¯”è¾ƒæ•ˆçŽ‡æŒ‡æ•°ï¼Œä¸æ˜¯è´¦å•ï¼Œä¹Ÿä¸æ˜¯æœåŠ¡ä¸€ä¸ªç”Ÿäº§è¯·æ±‚çš„ä»·æ ¼ã€‚å®ƒè¡¡é‡çš„æ˜¯å•æ¬¡æˆåŠŸï¼Œè€Œä¸æ˜¯ä¸€è‡´æ€§ã€‚æˆ‘ä»¬æŽ¥ä¸‹æ¥è¡¡é‡ä¸€è‡´æ€§ã€‚

示例: GPT-5.4 进行 507 次尝试(每个任务一次尝试)的成本为 $43.49,pass@1 为 65.36%ï¼Œå› æ­¤ $43.49 ÷ (507 × 0.6536) = 每次成功任务尝试 $0.131。

帕累托成本前沿

å¦‚æžœä¸€ä¸ªæ¨¡åž‹æ²¡æœ‰å ¶ä»–æ¨¡åž‹åŒæ—¶ 不更贵 且 è‡³å°‘åŒæ ·å‡†ç¡® ï¼Œé‚£ä¹ˆå®ƒå°±ä½äºŽå‰æ²¿ä¸Šã€‚æœ‰ä¸‰ä¸ªæ¨¡åž‹ç¬¦åˆæ¡ä»¶ï¼›å ¶ä»–æ¯ä¸ªæ¨¡åž‹éƒ½è‡³å°‘åœ¨æŸä¸€ç»´åº¦ä¸Šè¢«æ”¯é ã€‚

图 4:每次成功任务尝试的成本与 pass@1 çš„å ³ç³»ã€‚å¸¦çŽ¯çš„ç‚¹æ˜¯å¸•ç´¯æ‰˜æˆæœ¬å‰æ²¿æ¨¡åž‹ã€‚

前沿有三个台阶。 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 $0.004 的代价将 pass@1 提高 3.45 个百分点;Claude Opus 5.5 以每次成功 $0.276 å†å¢žåŠ 1.80 ä¸ªç™¾åˆ†ç‚¹ã€‚è¿™ä¸‰è€ éƒ½ä»ä½äºŽæˆæœ¬å‰æ²¿çº¿ä¸Šï¼Œå› ä¸ºæ²¡æœ‰æ›´ä¾¿å®œçš„æ¨¡åž‹èƒ½åŒ¹é å ¶ pass@1。

Claude Opus 5 是最明显的例子:每次成功尝试 $0.475、pass@1 为 66.50%,它既比 Claude Opus 5.5 的 $0.276 和 67.16% 更贵,又更不准确。

现在为一致性定价

æ¯æ¬¡æˆåŠŸçš„æˆæœ¬å¥–åŠ±çš„æ˜¯ä¾¿å®œä¸”ç»å¸¸æ­£ç¡®çš„æ¨¡åž‹ã€‚å®ƒä¸å¥–åŠ±æ¯æ¬¡éƒ½æ­£ç¡®çš„æ¨¡åž‹ã€‚å› æ­¤æˆ‘ä»¬è¿˜è®¡ç®—äº†æ¯æ¬¡å¯é ä»»åŠ¡çš„æˆæœ¬ï¼šå®Œæ•´ 20 æ¬¡è¿è¡Œçš„æ€»æˆæœ¬é™¤ä»¥æ¨¡åž‹åœ¨å ¨éƒ¨ 20 次尝试中都通过的任务数。

æ¯æ¬¡å¯é ä»»åŠ¡çš„æˆæœ¬ = 507 次尝试运行 20 次的估算成本 ÷ 20/20 å ¨éƒ¨é€šè¿‡çš„ä»»åŠ¡æ•°

示例: GPT-6-Astra 整个运行的成本为 20 × $86.03 = $1,720.60,并且在每次尝试中都通过了 231 ä¸ªä»»åŠ¡ï¼Œå› æ­¤ $1,720.60 ÷ 231 = æ¯ä¸ªå¯é ä»»åŠ¡ $7.45。

表 3:在至少有一个观察到 20/20 ä»»åŠ¡çš„æ¨¡åž‹ä¸­ï¼Œæ¯æ¬¡å¯é ä»»åŠ¡æˆæœ¬æœ€ä½Žçš„ä¹ä¸ªæ¨¡åž‹ï¼ŒæŒ‰ä»Žä½Žåˆ°é«˜æŽ’åºã€‚ä¼°ç®—ç¾Žå ƒï¼Œå¹¶éžå®žé™ äº‘è´¦å•ã€‚

20/20 å ¨éƒ¨é€šè¿‡çš„ä»»åŠ¡æ•°

估算成本,20 次运行

æ¯æ¬¡å¯é ä»»åŠ¡çš„æˆæœ¬

128 (25.25%)

$869.80

$6.80

231 (45.56%)

$1,720.60

$7.45

241 (47.53%)

$1,880.77

$7.80

82 (16.17%)

$800.00

$9.76

$3,206.00

$13.30

102 (20.12%)

$1,587.60

$15.56

44 (8.68%)

$878.00

$19.95

68 (13.41%)

$1,406.40

$20.68

38 (7.50%)

$925.80

$24.36

现在按一致性排名。 GPT-5.4 以 $6.80 成为 最便宜 的,尽管只有 128 ä¸ªä»»åŠ¡è¾¾æ ‡ã€‚GPT-6 Astra 以 $7.45 达到 231 个,而 Claude Opus 5.5 以 $7.80 达到并列最高的 241 个。

è¿™ä¸‰è€ ä¸­æ²¡æœ‰å“ªä¸€ä¸ªèƒ½åŽ‹å€’å ¶ä»–ä¸¤è€ ï¼šæ¯å¢žåŠ ä¸€ä¸ªå¯é ä»»åŠ¡ï¼Œæˆæœ¬å°±æ›´é«˜ã€‚Claude Opus 5 也通过了 241 个,但成本为 $13.30ï¼Œå› æ­¤ Opus 5.5 å®Œå ¨åŽ‹å€’äº†å®ƒã€‚GPT-5.6 Sol 单次成功成本最低,为 $0.127ï¼Œä½†æ¯æ¬¡å¯é ä»»åŠ¡æˆæœ¬ä¸º $9.76ã€‚èŽ·å¾—æ­£ç¡®ç­”æ¡ˆæœ€ä¾¿å®œçš„æ–¹å¼ï¼Œå¹¶ä¸æ˜¯èŽ·å¾—å¯é ç­”æ¡ˆæœ€ä¾¿å®œçš„æ–¹å¼ã€‚

失败特征

æˆ‘ä»¬ä¸ºæ¯ä¸ªå¤±è´¥çš„è½¨è¿¹åˆ†é ä¸€ä¸ªç¡®å®šæ€§çš„è¯Šæ–­ç‰¹å¾ï¼Œè€Œä¸»è¦ç»“è®ºæ˜¯å¯æ“ä½œçš„ï¼šå¤§çº¦äº”åˆ†ä¹‹å››çš„å¤±è´¥æ˜¯å·¥å ·å¤„ç†é—®é¢˜ï¼Œè€Œä¸æ˜¯æŽ¨ç†é—®é¢˜ã€‚åœ¨æˆ‘ä»¬è®ºæ–‡ 表 5 ä¸­çš„ä¸€é¡¹æ¶ˆèžç ”ç©¶ä¸­ï¼š

失败特征

å¤±è´¥å æ¯”

å·¥å ·ä½¿ç”¨

79.9%

错误的状态更新

10.3%

不完整的用户解决方案

7.0%

没有改变状态的操作

2.9%

è¿™äº›æ˜¯å„æ¨¡åž‹å æ¯”å’Œå¯è§‚å¯Ÿæ ‡ç­¾çš„æœªåŠ æƒå¹³å‡å€¼ï¼Œå¹¶éžå”¯ä¸€çš„å› æžœè§£é‡Šã€‚

å®žé™ æ¨¡å¼å¾ˆç®€å•ï¼šæ™ºèƒ½ä½“é€šå¸¸èƒ½èµ°å¾—è¶³å¤Ÿè¿œä»¥å°è¯•å·¥ä½œæµï¼Œç„¶åŽæ— æ³•ä»Žå·¥å ·é”™è¯¯ã€å¤±è´¥çš„å‰ç½®æ¡ä»¶æˆ–ç©ºæŸ¥æ‰¾ä¸­æ¢å¤ã€‚è¿™é¦–å ˆæ˜¯ä¸€ä¸ªé‡è¯•å’Œé”™è¯¯æ¢å¤é—®é¢˜ï¼Œå ¶æ¬¡æ‰æ˜¯æ¨¡åž‹é—®é¢˜ã€‚

éš¾åº¦ä¹Ÿå› é¢†åŸŸè€Œå¼‚ï¼šåœ¨ä¸Šæ–‡è¡¨ 2 列出的模型中,零售平均 pass@1 为 59.52%,而汽车保险平均为 33.83%。

对此该怎么办。 把 20/20 é€šè¿‡çŽ‡å½“ä½œè®¾è®¡è¾“å ¥ï¼Œè€Œä¸æ˜¯æœ€ç»ˆåˆ¤å†³ã€‚åŸºå‡†è¯„åˆ†æ‰€ä¾æ®çš„åŒä¸€ä¿¡å·åœ¨ç”Ÿäº§ä¸­ä¹Ÿå¯èŽ·å¾—ï¼šåœ¨æäº¤ä¹‹å‰æ£€æŸ¥æœ€ç»ˆçŠ¶æ€ï¼Œè€Œä¸æ˜¯æ¨¡åž‹å¯¹å®ƒçš„æ€»ç»“ã€‚

å¯¹å·¥å ·å’Œç³»ç»Ÿé”™è¯¯è¿›è¡Œåˆ†ç±»ï¼Œä»¥ä¾¿é‡è¯•é’ˆå¯¹å¯æ¢å¤çš„é”™è¯¯ã€‚å°†å·¥å ·é¢å‰Šå‡åˆ°å·¥ä½œæµæ‰€éœ€çš„èŒƒå›´ã€‚å¹¶ä¸”å¯¹æ— æ³•ä½Žæˆæœ¬é€†è½¬çš„æ›´æ”¹è¦æ±‚äººå·¥æ‰¹å‡†ã€‚æˆ‘ä»¬å°šæœªåœ¨æ­¤åŸºå‡†ä¸Šæµ‹é‡å ¶ä¸­ä»»ä½•ä¸€é¡¹å¸¦æ¥çš„æå‡ï¼Œè€Œè¿™æ­£æ˜¯è¯¥çŽ¯å¢ƒçŽ°åœ¨ä½¿å ¶å¯æµ‹è¯•çš„é‚£ç±»äº‹æƒ ã€‚

工作原理

ThinkingBox 是智能体沙箱,而 ThinkingBox-Bench 是用于评估智能体的数据集基准。本文顶部的图展示了该循环;以下是每个部分的作用。

图 5:上文图 1 中面板 A çš„æ²™ç®±å¾ªçŽ¯ï¼šéš”ç¦»çš„å·¥å ·ä¼šè¯ã€ç»ˆç«¯æ•°æ®åº“çŠ¶æ€ã€å‰¯ä½œç”¨ã€å¯æ‰§è¡Œè¯„åˆ¤å™¨ã€‚

æ¯ä¸ªä»»åŠ¡éƒ½å®šä¹‰äº†èµ·å§‹åŽç«¯çŠ¶æ€ã€ç”¨æˆ·ç›®æ ‡ã€å¯ç”¨çš„ MCP å·¥å ·ã€é¢†åŸŸç­–ç•¥ï¼Œä»¥åŠå¯¹ç»ˆç«¯çŠ¶æ€çš„å¯æ‰§è¡Œæ£€æŸ¥ã€‚ä¸€ä¸ªæ¨¡æ‹Ÿç”¨æˆ·æŒæœ‰ç§æœ‰ä¸Šä¸‹æ–‡ï¼ˆé¢„è®¢å‚è€ƒå·ã€åå¥½æˆ–å‡ºç”Ÿæ—¥æœŸï¼‰ï¼Œåªæœ‰åœ¨è¢«è¯¢é—®æ—¶æ‰ä¼šé€éœ²ã€‚

每次尝试都会获得一个隔离的 MCP ä¼šè¯ï¼ŒçŠ¶æ€å ¨æ–°åˆå§‹åŒ–ã€‚åŒä¸€ä»»åŠ¡çš„ä¸¤æ¬¡å°è¯•æ°¸è¿œä¸ä¼šå ±äº«æ•°æ®åº“è¡Œæˆ–ç¼“å­˜çš„å·¥å ·çŠ¶æ€ï¼Œè¿™æ­£æ˜¯ 20 æ¬¡è¯•éªŒå¯¹æ¯”æœ‰æ„ä¹‰çš„åŽŸå› ã€‚

æœ€åŽï¼Œä¸€ä¸ªå‰¯ä½œç”¨æå–å™¨ä¼šæŽ¨å¯¼å‡ºå®žé™ å‘ç”Ÿçš„å˜åŒ–ï¼Œç¡®å®šæ€§è¯„åˆ¤å™¨å°†å ¶ä¸Žæ‰€éœ€çš„æœ€ç»ˆçŠ¶æ€è¿›è¡Œæ¯”è¾ƒï¼ŒæŽ¥å— 任何 èƒ½äº§ç”Ÿæ­£ç¡®ç»“æžœçš„è½¨è¿¹ï¼ŒåŒæ—¶æ‹’ç»é”™è¯¯ã€ç¼ºå¤±æˆ–å¤šä½™çš„æ•ˆæžœã€‚å¯¹äºŽæ²¡æœ‰æ˜Žç¡®æ•°æ®åº“å€¼çš„è¦æ±‚ï¼ˆâ€œä»£ç†æ˜¯å¦æŠ«éœ²äº†è¿™ä¸ä¿è¯ï¼Ÿâ€ï¼‰ï¼Œåˆ™ç”¨ä¸€ä¸ªç‹­çª„çš„äºŒå ƒè¯„åˆ†é—®é¢˜æ¥å¤„ç†è¯­ä¹‰ã€‚507 个任务中有 477 ä¸ªä» æ ¹æ®çŠ¶æ€è¯„åˆ†ï¼›30 ä¸ªå¢žåŠ äº†å“åº”è¯„åˆ†æ ‡å‡†ã€‚

ä¿¡ä»»è¾¹ç•Œï¼šæ¨¡åž‹çœ‹åˆ°ä»»åŠ¡ã€å¯¹è¯å’Œå·¥å ·æ¨¡å¼ã€‚é»„é‡‘çŠ¶æ€ã€æ–­è¨€ã€è¯„åˆ†å† éƒ¨é€»è¾‘å’Œå‡­æ®ä¿ç•™åœ¨è¯„ä¼°å™¨ä¸€ä¾§ã€‚

自己运行

ThinkingBox 现已登陆 Hugging Faceï¼ŒåŒ æ‹¬ 测试框架 和 数据集 。ThinkingBox-Bench 现在位于 OpenEnv æŽ¥å£ä¹‹åŽï¼Œæ¯ä¸ªå®Œæˆçš„å›žåˆéƒ½ä¼šè¿”å›žä¸€ä¸ªäºŒå ƒé€šè¿‡/å¤±è´¥å¥–åŠ±ã€‚å‘å¸ƒçš„é€‚é å™¨ä¸“ä¸ºè¯„ä¼°è®¾è®¡ï¼›ç‹¬ç«‹çš„éžåŸºå‡†åœºæ™¯å¯ä»¥åœ¨è®­ç»ƒå·¥ä½œæµä¸­ä½¿ç”¨ç›¸åŒçš„æŽ¥å£ã€‚

开始之前

已在 Linux 和 WSL 上测试,需要 Python 3.11+、 uv 和 Dockerã€‚ä½ è¿˜éœ€è¦åœ¨å›ºå®šç‰ˆæœ¬ä¸Šæ£€å‡º thinkingbox-data ,以及用于代理、模拟用户和评判器的模型端点。一个端点可以同时服务这三个角色,这是最简单的启动方式。OpenEnv 镜像 ä» å¯åŠ¨ OpenEnv API ï¼›å ¶ä»–æ‰€æœ‰å† å®¹éƒ½éœ€è¦ä½ è‡ªå·±è¿è¡Œã€‚

安è£

code
# 1. OpenEnv + the ThinkingBox environment
git
clone
https://github.com/huggingface/OpenEnv
cd
OpenEnv
uv
sync
--project envs/thinkingbox_env --frozen
# 2. The executable benchmark, at the pinned release
git
clone
https://github.com/microsoft/thinkingbox-data
git -C thinkingbox-data checkout thinkingbox-bench-v1.0
# 3. The ThinkingBox CLI, which provides `tb`
uv tool install
"thinkingbox @ git+https://github.com/microsoft/thinkingbox"

启动 Typesense

在 第二个终端 中,启动 Typesense 30.1 å¹¶ç­‰å¾ å ¶å¥åº·æ£€æŸ¥ï¼š

code
mkdir
-p .typesense-data
docker run --
rm
-d --name thinkingbox-typesense \
  -p 8108:8108 \
  -v
"
$PWD
/.typesense-data:/data"
\
  typesense/typesense:30.1 \
  --data-dir /data --api-key=Fake --enable-cors
until
curl -fsS http://127.0.0.1:8108/health;
do
sleep
1;
done

启动 MCP 服务器

在 第三个终端 中,启动 Session Proxy 和 MCP 服务器。

code
cd
OpenEnv
tb mcp-start --host 127.0.0.1 --port 7111 \
  --servers
"
$PWD
/thinkingbox-data/servers/servers.yaml"
curl -fsS http://127.0.0.1:7111/health

启动 OpenEnv 服务器

å›žåˆ°ç¬¬ä¸€ä¸ªç»ˆç«¯ï¼Œæ ¹æ®æŒ‡å®šä¸‰ä¸ªæ¨¡åž‹çš„ ThinkingBox YAML é ç½®å¯åŠ¨ OpenEnv 服务器( é ç½®æŒ‡å— ):

code
OPENENV_TB_CONFIG=
"
$PWD
/thinkingbox.yaml"
\
uv run --project envs/thinkingbox_env --frozen server

检查就绪状态

åœ¨è¿è¡Œä»»ä½•å† å®¹ä¹‹å‰ï¼Œå ˆä»¥å°±ç»ªçŠ¶æ€ä¸ºé—¨æ§›ã€‚åœ¨å¯è§‚å¯Ÿæ•°æ®ã€é ç½®å’Œ Session Proxy 检查通过之前,它会返回 503ã€‚å®ƒæ— æ³•è§‚å¯Ÿ Typesense æˆ–å®žæ—¶æŽ¢æµ‹æ¯ä¸ªæ¨¡åž‹ç«¯ç‚¹ï¼Œå› æ­¤è¯·å•ç‹¬ç¡®è®¤è¿™äº›ï¼š

code
curl -sS http://127.0.0.1:8000/ready

对回合评分

现在对一个真实回合评分。 example_usage.py åªé‡ç½®å¹¶åˆ—å‡ºå·¥å ·ï¼›å¯¹äºŽä»£ç†æ“ä½œã€æ•ˆæžœå’Œæ–­è¨€ï¼Œè¯·ä½¿ç”¨æ‰“åŒ çš„è¯„ä¼°å™¨ï¼š

code
echo
"- sandbox_external_retail_group1.py:test_case_ST002_001"
> one_task.yaml
uv run --project envs/thinkingbox_env thinkingbox-eval \
  one_task.yaml \
  --config
"
$PWD
/thinkingbox.yaml"
\
  --output results.jsonl \
  --errors-output errors.jsonl \
  --repeat 1 --message-timeout 1800

OpenEnv é€‚é å™¨å°†æ“ä½œæ• éšœå†™å ¥é”™è¯¯é™„å±žæ–‡ä»¶ï¼Œä»¥ä¾¿å¯ä»¥é‡æ–°è¿è¡Œï¼Œè€Œä¸æ˜¯ä¸Žæ¨¡åž‹ç»“æžœé™é»˜æ··åˆã€‚è§„èŒƒç»“æžœå¿ é¡»è§£å†³æˆ–æ˜Žç¡®è¯´æ˜Žè¿™äº›å°è¯•ï¼›æˆ‘ä»¬å°†ç³»ç»Ÿé”™è¯¯è®¡ä¸ºä¸æˆåŠŸçš„è¯•éªŒã€‚

è¿è¡Œä»¥å›ºå®šçš„æ¡†æž¶æäº¤ã€å›ºå®šçš„æ•°æ®å‘å¸ƒå’Œæ†ç»‘å“ˆå¸Œä¸ºé—¨æ§›ï¼Œå› æ­¤è§„èŒƒç»“æžœå¯éªŒè¯è€Œéžä» å‡­æ–­è¨€ã€‚

下一步走向

这项工作中最有用的部分不是我们的 pass@1 排行榜。而是环境。

å¦‚æžœä½ æ­£åœ¨è¯„ä¼°ä¸€ä¸ªä¼šæŽ¥è§¦çœŸå®žè®°å½•çš„ä»£ç†ï¼š

  • 检查一次失败。 æ‰¾ä¸€ä¸ªå¹²å‡€ç»ˆæ­¢ä½†ä»ç„¶å¤±è´¥çš„è¿è¡Œï¼Œçœ‹çœ‹æ•°æ®åº“ä¸­å®žé™ å‘ç”Ÿäº†ä»€ä¹ˆå˜åŒ–ã€‚è¿™ä¼šé‡æ–°å®šä¹‰ä½ è‡ªå·±çš„è¯„ä¼°æ‰€è¡¡é‡çš„å† å®¹ã€‚
  • 复现一个任务 ,通过 OpenEnv ä½¿ç”¨ä½ è‡ªå·±çš„æ¨¡åž‹ã€‚
  • æŠ¥å‘Šä¸€ä¸ªé‡å¤æŒ‡æ ‡ï¼Œå¹¶å®šä¹‰å®ƒã€‚ æ— è®ºä½ çš„ç”¨ä¾‹è¯æ˜Ž k æ˜¯å¤šå°‘ï¼›è¯´æ˜Žä½ æŠ¥å‘Šçš„æ˜¯ best-of-k 还是 every-of-kï¼Œä»¥åŠä½ æ˜¯å¦‚ä½•è®¡ç®—çš„ã€‚

更多细节可以在以下链接中找到:

  • 环境: envs/thinkingbox_env
  • OpenEnv: https://huggingface.co/docs/openenv/environments/thinkingbox
  • 框架: microsoft/thinkingbox · 教程
  • 基准: microsoft/thinkingbox-data · v1.0 版本
  • 数据集查看器: microsoft/ThinkingBox-Bench
  • 论文: arXiv:2608.19741 或 HF
  • RL 训练(即将推出): microsoft/thinkingbox-training

ThinkingBox ä»£ç é‡‡ç”¨ MIT 许可;基准数据采用 CDLA-Permissive-2.0 ;OpenEnv 环境以 OpenEnv 的 BSD-3-Clause 发布。

å è´£å£°æ˜Žï¼šå ¬å¼€åŸºå‡†ä¸­çš„æ¯ä¸ªä»»åŠ¡éƒ½æ˜¯åˆæˆé‡å»ºã€‚å·¥ä½œæµå’Œç­–ç•¥ä»¥çœŸå®ž AI 代理企业模式为蓝本;客户并非真实存在。

ThinkingBox 和 ThinkingBox-Bench 由 Microsoft Copilot Studio 团队与 Toloka åˆä½œæž„å»ºï¼Œåˆä½œè€ æ¥è‡ªåŒ¹å ¹å ¡å¤§å­¦ã€è¥¿åŒ—å¤§å­¦ã€å“¥ä¼¦æ¯”äºšå¤§å­¦å’ŒåŠ å·žå¤§å­¦æ¬§æ–‡åˆ†æ ¡ï¼Œä»–ä»¬æ›¾åœ¨ Microsoft å®žä¹ ã€‚æ¬¢è¿Žåœ¨ä¸‹æ–¹è¯„è®ºåŒºæˆ– github 上提问

+ OpenRouter æˆæœ¬å¿«ç §æ‹æ‘„äºŽ 2026 å¹´ 9 月 20 日;Opus 5.5 定价依据 Anthropic 网站。

来源: Hugging Face:Blog · huggingface.co

Microsoft / Copilot

Hugging Face

Agent 智能体

è®ºæ–‡ç ”ç©¶

评测基准

#

论文/ç ”ç©¶

Agent

评测/基准

Microsoft