Microsoft ThinkingBox 在 Hugging Face 上发布,以数据库终态和 20 次重复评测智能体
TL;DR · AI 摘要
Microsoft ThinkingBox å¨ Hugging Face ä¸åå¸ï¼ä»¥æ°æ®åºç»æå 20 次éå¤è¯æµæºè½ä½ · 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。
Microsoft ThinkingBox å¨ Hugging Face ä¸åå¸ï¼ä»¥æ°æ®åºç»æå 20 次éå¤è¯æµæºè½ä½ · AIHOT
Hugging Faceï¼Blog
·
2026-10-04 06:56
3 å°æ¶å
ç²¾é
AI è¯å
65
Microsoft ThinkingBox å¨ Hugging Face ä¸åå¸ï¼ä»¥æ°æ®åºç»æå 20 次éå¤è¯æµæºè½ä½
The Agent Said It Was Done. The Database Disagreed.
AI 导读
Microsoft ä¸ Hugging Face åå¸ ThinkingBox æºè½ä½æ²ç®±ä¸ ThinkingBox-Bench åºåï¼è¦ç 507 个æç¶æä¸å¡å·¥ä½æµãæ¯ä»»å¡è¿è¡ 20 次ï¼ä»¥ç»å±æ°æ®åºç¶æåå¯ä½ç¨ä½å¯æ§è¡å¤å®ï¼ç°å¯éè¿ OpenEnv å¨ Hugging Face ä¸è¿è¡ã
æ¨èçç±
åæç¨æ°æ®åºç»æå 20 次éå¤è¯æµæºè½ä½ï¼ç»åºä¸è´æ§ä¿ççã失败ç¾ååå¯å¤ç°çè¿è¡æ¹å¼ï¼å¼å¾å ³æ³¨è®°å½å工使µçå¯é æ§è¯ä¼°ã
æ£æ · AI ç¿»è¯
Microsoft ThinkingBox æ ¹æ® AI æºè½ä½çä¸çè®°å½èéå ¶çæçè¯å¥æ¥è¯åï¼ç¶åèå¯å®ä»¬è½å¦è¿ç»äºå次åå°è¿ä¸ç¹ãç°å·²éè¿ Hugging Face æä¾ã
å¾ 1ï¼ThinkingBox å¨é离ç MCP å·¥å ·ä¼è¯ä¸è¿è¡æºè½ä½ï¼ç¶åå¯¹å ¶çä¸çç»ç«¯åç«¯ç¶æåå¯ä½ç¨è¿è¡è¯åãæèªæä»¬ç ThinkingBox 论æ ã
#### è¿æ¯ Microsoft ä¸ Hugging Face çèåå客ï¼ç¹å«æè°¢ Tommy Guyï¼Enderis AI åå§äººï¼æ¤åå¨ Microsoftï¼ãHugging Face ç Sergio Paniegoï¼ä»¥åæä»¬æ¤åçå®ä¹ ç Zhuochun Liï¼å¹å ¹å ¡å¤§å¦ï¼ãAli Keramatiï¼å å·å¤§å¦æ¬§æåæ ¡ï¼ãYoungmin Koï¼è¥¿å大å¦ï¼çå ±åæ°å/审é å·¥ä½ã
ä¸ä½å®¢æ·æ¥ä¿¡ã她é£å°ä»·å¼ 745 ç¾å ç卿¿çµå¨å¨çº³ä»ç»´å°é éä¸å¿é·å ¥å¿«éâå¼å¸¸âç¶æï¼å·²è¶ è¿é¢è®¡éè¾¾æ¥æåäºå¤©ã
AI æºè½ä½åäºç»è´çå·¥ä½ã乿¬¡å·¥å ·è°ç¨ï¼å®æå订åãæ£æ¥ç©æµãæ¥æ¾å¥¹ç客æ·èµæã两次æç´¢é款æ¿çã确认ä¸åå¨å·¥åãå建ä¸ä¸ªå·¥åãè®°å½æ¶é´çº¿ï¼å¹¶æ£ç¡®è§£è¯»æ¿çï¼å¥¹çè´¦æ·ç»åç¡®å®ä¸ç¬¦åå»¶è¿éè¾¾è¡¥å¿æ¡ä»¶ã
ç¶åå®å°å·¥åå ³é为 å·²è§£å³ ï¼å¹¶åå¤â æ¢ç¶æ¨çé®é¢å·²è§£å³ï¼è¿æä»ä¹æå¯ä»¥å¸®æ¨çåï¼ â
æä¸¤å¤éè¯¯ãæ¿è¿åå¼å¸¸ä»æªå ³éï¼å æ¤æéçæç»ç¶ææ¯ æå ï¼çå¾ è§£å³ãèä¸å®¢æ·ä»æªå¾å°å¥¹çæ£æé®é®é¢çå®é çæ¡ã
æ£æ¥å·¥å ·è°ç¨ç AI è¯åå¨ä¼çå°ä¹æ¬¡æ ¼å¼è¯å¥½çè°ç¨ãæ£æ¥æºè½ä½æ¯å¦åå ¥æ°æ®åºçè¯åå¨ä¹ä¼çå°è¿ä¸ç¹ãæ°æ®åºææ¯ ä¸åæ çé£ä¸ªã
è¿ä¸å·®è·æ£æ¯ ThinkingBox æè¡¡éçãå¨ 507 个æç¶æçä¸å¡å·¥ä½æµä¸ï¼æ¯ä¸ªé对åç§ LLM 模åè¿è¡ 20 次ï¼å®æ ¹æ®ç»ç«¯åç«¯ç¶æåå¯ä½ç¨å¯¹æºè½ä½è¿è¡è¯åãæ¬ææ¶µçæä»¬çåç°ãä¸è´æ§ç代价ï¼ä»¥åå¦ä½éè¿ OpenEnv èªè¡è¿è¡è¯¥åºåæµè¯ã
ä½ å¯ä»¥èªå·±è¿è¡è¿ä¸ªï¼ ä¸é¢çç¤ºä¾æ¹ç¼èªåºåä»»å¡ sandbox_external_retail_group1.py:test_case_ST003_006 ï¼è失败ç坿§è¡æ£æ¥åªæ¯ä¸ä¸ªå段ï¼å·¥åç¶æä¸ºå·²è§£å³ï¼èæéçæç»ç¶ææ¯æåã宿´è½¨è¿¹è§æä»¬è®ºæç éå½ D.4ï¼æ¡ä¾ 3 ã
ç®å½
- å·¥å ·è°ç¨ä¸çäºç»æ
- 䏿¬¡æåä¸çäºå¯é
- ä½ è½ä¾èµæºè½ä½èåçæ¨¡ååï¼
- ä¸è´æ§ç代价
- 失败ç¹å¾
- å·¥ä½åç
- èªè¡è¿è¡
- ä¸ä¸æ¥èµ°å
æ³å¨é è¯»ç»æä¹åå è¯ä¸è¯ï¼è·³å° èªè¡è¿è¡ é¨åã
å·¥å ·è°ç¨ä¸çäºç»æ
æç»ååºåææçå·¥å ·è°ç¨åªæ¯ä»£çææ ãæºè½ä½å¯è½å¬èµ·æ¥æ£ç¡®ï¼å´çä¸é误çå¼ãæ´æ¹é误çè®°å½ï¼æäº§çé¢å¤çå¯ä½ç¨ãåªæå®çä¸çè®°å½æè½è§£å³é®é¢ã
å·®è·æ¯å·¨å¤§çãå¨ä¸é¡¹è¦ç 12 个 LLM 模åã121,680 次ææè¯éªçéç¨éæ¶èå®éªä¸ï¼æ 79,853 次å°è¯æªè½éè¿å¯æ§è¡æ£æ¥ãå¨è¿äºå¤±è´¥ä¸ï¼67.24% ä»ç¶å¹²åå°ç»æ¢ãè°ç¨äºæ¹åç¶æçå·¥å ·ï¼å¹¶ä¸æ²¡ææ¥åæç»çå·¥å ·æé误ãç¶èï¼å¯æ§è¡æ£æ¥å¨å ¶ä¸ 77.61% çæ¡ä¾ä¸åç°äºé误çåæ®µå¼ï¼å¨ 43.30% ä¸åç°äºé颿çé¢å¤ææï¼å¨ 25.36% ä¸åç°äºç¼ºå¤±çå¿ è¦ææãè¿äºç¶ææ£æ¥åç°åå¨éå ã
轨迹æ¯ä¸ç§å£°æãæ°æ®åºç¶ææ¯è¯æ®ãé夿¯ä¿¡ä»»æµè¯ã
䏿¬¡æåä¸çäºå¯é
ä¸ä¸ªè½æ£ç¡®å¤ç䏿¬¡é款ãå´å¨æ¥ä¸æ¥å次ä¸å¤çä¸å½çæºè½ä½ï¼ä¸æ¯ä¸ä¸ªè½æ£å¸¸å·¥ä½ç鿬¾æºè½ä½ãå æ¤ï¼æ¯ä¸ªä»»å¡é½è¦è¿è¡ 20 次ç¬ç«è¯éª ï¼æ¯æ¬¡é½ä»ç¸åçå¹²åå端å¼å§ï¼æä»¬æ¥åä¸ä¸ªä¸åçææ ï¼
表 1ï¼æä»¬æ¥åçä¸ä¸ªæ°åï¼ä»¥åæ¯ä¸ªæ°åæåççé®é¢ã
ææ
å®è¡¡éä»ä¹
å®åçä»ä¹
pass@1
ææå°è¯ä¸æåçæ¯ä¾
å®é常表ç°å¦ä½ï¼
pass@20
å¨ 20 次å°è¯ä¸
è³å°æå䏿¬¡
ç任塿¯ä¾
å®
æ¯å¦æå¯è½
åå°ï¼å¹¿åº¦ã
è§æµå°ç 20/20
å®é éè¿äº
å ¨é¨
20 次记å½å°è¯çä»»å¡
æ¯å¦æ»è½
æ£ç¡®ï¼
å¨è¿ç¯å客æç« ä¸ï¼æä»¬ä½¿ç¨ è§æµå°ç 20/20 ï¼å³ 507 个任å¡ä¸æå¤å°ä¸ªå¨ 20 次ä¸éè¿äº 20 次çåé¢è®¡æ°ã没æä¼°è®¡å¨ï¼æ²¡æå¹³æ»å¤çã
ä»çæçè§è§å¼å§ãä¸è¡¨æ¥åäº pass@1ï¼å³å次å°è¯å¾åä¼°è®¡ï¼æé¢åç»åãè¿æ¯å¤§å¤æ°æè¡æ¦åå¸çæ°åï¼åçå®å°±åä¸ä»½æ®éçè½åæåã
表 2ï¼ThinkingBox-Bench æé¢åååç pass@1ï¼%ï¼ãæ¯ä¸ªæ¨¡åé½å¨æ¯ä¸ªä»»å¡ä¸è¿è¡äº 20 次éå¤è¯éªè¯ä¼°ãç²ä½æ è®°ç»å é¢å è ï¼ä¸å线æ 记第äºåã忬¡å°è¯å¾åä¼°è®¡çæ åè¯¯è§ æä»¬ ThinkingBox 论æä¸ç表 4 ã
模å
é¶å® (98)
汽车ä¿é© (100)
æ è¡ (104)
æ°åé¶è¡ (104)
å¨è¯¢ (101)
æ»ä½ï¼æä»»å¡å æ (507)
ä¸ææ¨¡å
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
弿¾æé模å
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% æ»ä½ é¢å ï¼æ¯ Claude Opus 5 é«åºä¸åä¹äºä¸ªç¾åç¹ãKimi-K3 æ¯æå¼ºç 弿¾æé模å ï¼ä¸ GPT-6-Astra ç¸å·®ä¸å°ä¸ä¸ªç¾åç¹ã é¢ååæ ·éè¦ ï¼Claude Opus 4.6 å¨é¶å®ä¸å¾å 68.62%ï¼ä½å¨æ±½è½¦ä¿é©ä¸åªæ 8.30%ã
䏿¬¡å¥½çè¿è¡åè¯ä½ 模åè½åè¿é¡¹å·¥ä½ãå®ä¸ä¼åè¯ä½ 宿¯å¦ä¼å次åå°ãæä»¥æ¯ä¸ªä»»å¡è¿è¡ 20 次ï¼ç¶åé®è¿ä¸ªåæ°æå¤å°è½ä¿ç䏿¥ã
å¾ 2ï¼æ¯ä¸ªæ¨¡åç忬¡å°è¯å¾åå¨ 20 次éå¤åä¿çäºå¤å°ã
åªæä¸ä¸ª 模åä¿çäºå ¶ pass@1 å¾åç大é¨åï¼GPT-6 Astra ä¿çäºå ¶å次å°è¯çç 78%ï¼Claude Opus 5.5 å Claude Opus 5 åä¿ç 71%ãå¨å¦ä¸ç«¯ï¼GLM-5.1ãKimi-K2.6 å DeepSeek-V4-Pro åä¿ç约 8%ã
模å è½å䏿¬¡ åå® æ¯æ¬¡é½è½å ä¹é´çå·®è·å°±æ¯å ¨é¨æ äºã
ä½ è½ä¾èµæºè½ä½èåçæ¨¡ååï¼
å¾ 3ï¼å¹¿åº¦åä¸è´æ§åºç°ååãå¾ä¸æ¾ç¤ºäº 18 个模åä¸ç 12 个ï¼ä¸ºäºæ¸ æ°èµ·è§ï¼çç¥äº 6 个 pass@1 ä½äº 33% çæ¨¡åã
Kimi-K3 卿们æµè¯è¿çæææ¨¡åä¸è¦çèå´æå¹¿ã å®è³å°æåè§£å³ä¸æ¬¡çä»»å¡å åºåæµè¯ç 93.89% ï¼507 个任å¡ä¸ç 476 个ãåªæ 31 个任å¡å®å ¨é¾åå®ï¼æ¯è¿ä¸é¢å䏿å°çãå¨é¶å®å·¥ä½æµä¸ï¼å®ä»¥ 82.24% ç pass@1 ç´æ¥é¢å ï¼è¶ è¿ææä¸ææ¨¡åã
Kimi-K3 乿¯ç¨³å®æ§æå·®ç模åä¹ä¸ã 507 个任å¡ä¸åªæ 68 个ï¼å³ 13.41%ï¼å¨å ¨é¨ 20 次å°è¯ä¸é½æåã
Claude Opus 5 åç¸åãå®è³å°æåè§£å³ä¸æ¬¡ç任塿´å°ï¼79.09%ï¼106 个任å¡å®å ¨é¾åå®ï¼ï¼ä½å¨æ¯ä¸æ¬¡å°è¯ä¸é½è½å®æåºåæµè¯ç 47.53% ã
æ´æ°ç模åå¹¶ä¸è½è§£å³è¿ä¸ªé®é¢ã Claude Opus 5.5 卿¯æ¬¡å°è¯å¹³åå¼ä¸é«äº Claude Opus 5ï¼ä¸º 67.16% 对 66.50%ï¼å¹¶ä¸è³å°æåè§£å³ä¸æ¬¡ç任塿´å¤ãå®å¨å ¨é¨ 20 次å°è¯ä¸éè¿ç任塿°éå®å ¨ç¸åï¼241 个ãåç¹å¤´é¨åç¡®çå®å ¨æ²¡ææ¢æ¥é¢å¤çå¯é æ§ã
- Kimi-K3 è³å°æåè§£å³ä¸æ¬¡ç任塿¯ Opus 5 å¤ 75 个 ã
- Opus 5 稳å®è§£å³ç任塿¯ Kimi-K3 å¤ 173 个 ã
å¦æä½ è¦ä¸ºæ¶åçå®è®°å½çå·¥ä½éæ©æ¨¡åï¼pass@20 æ¯é误çåèåã
ä¸è´æ§ç代价
è½åæ¯è¾éå¸¸æ¢æ¥äºåæ°ã对äºä»»ä½é¨ç½²è æ¥è¯´ï¼ç¸å ³çé®é¢æ¯æå宿ä¸ä¸ªå·¥ä½åå çææ¬æ¯å¤å°ãæä»¬å°å ¶è¡¡éä¸ºæ¯æ¬¡æåä»»å¡å°è¯çææ¬ãæä»¬è¯´ä»»å¡å°è¯ï¼æ¯å 为æ¯ä¸ªåºåä»»å¡é½ä¼è¢«åå¤è¿è¡ï¼èææ¬ææ¯æ¬¡å°è¯äº§çï¼å æ¤ pass@1 æ¯ä¸ä¹å¹é çè´¨é忝ã
æä»¬ä»æ¯ä¸ªæ¨¡å宿´ç 507 à 20 次è¿è¡ä¸æåå ¶è®°å½ç token ç¨éï¼å¹¶æ OpenRouter + ä¸å¯ç¨çæªææ£æ ä»·è®¡ä»·ï¼æ¤éä¿éææ£ï¼å¹¶æé¤å£°æéåç端ç¹ãè¾å ¥ãè¾åºåç¼åè´¹çåæ¥èªæ¯ä¸ªæ¨¡åçä¸ä¸ªæä¾å端ç¹ã
ç¶åæä»¬å°ä¸æ¬¡è¿è¡çææ¬é¤ä»¥ æå çå°è¯æ¬¡æ°ï¼
æ¯æ¬¡æåä»»å¡å°è¯çææ¬ = 507 次å°è¯ï¼æ¯ä¸ªä»»å¡ä¸æ¬¡ï¼çä¼°ç®ææ¬ Ã· (507 à pass@1)
è¿æ¯ä¸ä¸ªæ¯è¾æçææ°ï¼ä¸æ¯è´¦åï¼ä¹ä¸æ¯æå¡ä¸ä¸ªç产请æ±çä»·æ ¼ãå®è¡¡éçæ¯åæ¬¡æåï¼è䏿¯ä¸è´æ§ãæä»¬æ¥ä¸æ¥è¡¡éä¸è´æ§ã
示ä¾ï¼ GPT-5.4 è¿è¡ 507 次å°è¯ï¼æ¯ä¸ªä»»å¡ä¸æ¬¡å°è¯ï¼çææ¬ä¸º $43.49ï¼pass@1 为 65.36%ï¼å æ¤ $43.49 ÷ (507 à 0.6536) = æ¯æ¬¡æåä»»å¡å°è¯ $0.131ã
å¸ç´¯æææ¬å沿
妿ä¸ä¸ªæ¨¡å没æå ¶ä»æ¨¡ååæ¶ 䏿´è´µ ä¸ è³å°åæ ·åç¡® ï¼é£ä¹å®å°±ä½äºå沿ä¸ãæä¸ä¸ªæ¨¡åç¬¦åæ¡ä»¶ï¼å ¶ä»æ¯ä¸ªæ¨¡åé½è³å°å¨æä¸ç»´åº¦ä¸è¢«æ¯é ã
å¾ 4ï¼æ¯æ¬¡æåä»»å¡å°è¯çææ¬ä¸ pass@1 çå ³ç³»ã带ç¯çç¹æ¯å¸ç´¯æææ¬å沿模åã
åæ²¿æä¸ä¸ªå°é¶ã GPT-5.6 Sol ç æ¯æ¬¡æåææ¬æä½ ï¼ä¸º $0.127ï¼GPT-5.4 ä»¥æ¯æ¬¡æåå¤ $0.004 çä»£ä»·å° pass@1 æé« 3.45 个ç¾åç¹ï¼Claude Opus 5.5 ä»¥æ¯æ¬¡æå $0.276 åå¢å 1.80 个ç¾åç¹ãè¿ä¸è é½ä»ä½äºææ¬å沿线ä¸ï¼å ä¸ºæ²¡ææ´ä¾¿å®ç模åè½å¹é å ¶ pass@1ã
Claude Opus 5 æ¯æææ¾çä¾åï¼æ¯æ¬¡æåå°è¯ $0.475ãpass@1 为 66.50%ï¼å®æ¢æ¯ Claude Opus 5.5 ç $0.276 å 67.16% æ´è´µï¼åæ´ä¸åç¡®ã
ç°å¨ä¸ºä¸è´æ§å®ä»·
æ¯æ¬¡æåçææ¬å¥å±çæ¯ä¾¿å®ä¸ç»å¸¸æ£ç¡®ç模åãå®ä¸å¥å±æ¯æ¬¡é½æ£ç¡®ç模åãå æ¤æä»¬è¿è®¡ç®äºæ¯æ¬¡å¯é ä»»å¡çææ¬ï¼å®æ´ 20 次è¿è¡çæ»ææ¬é¤ä»¥æ¨¡åå¨å ¨é¨ 20 次å°è¯ä¸é½éè¿ç任塿°ã
æ¯æ¬¡å¯é ä»»å¡çææ¬ = 507 次å°è¯è¿è¡ 20 次çä¼°ç®ææ¬ Ã· 20/20 å ¨é¨éè¿ç任塿°
示ä¾ï¼ GPT-6-Astra æ´ä¸ªè¿è¡çææ¬ä¸º 20 à $86.03 = $1,720.60ï¼å¹¶ä¸å¨æ¯æ¬¡å°è¯ä¸é½éè¿äº 231 个任å¡ï¼å æ¤ $1,720.60 ÷ 231 = æ¯ä¸ªå¯é ä»»å¡ $7.45ã
表 3ï¼å¨è³å°æä¸ä¸ªè§å¯å° 20/20 ä»»å¡ç模åä¸ï¼æ¯æ¬¡å¯é ä»»å¡ææ¬æä½çä¹ä¸ªæ¨¡åï¼æä»ä½å°é«æåºãä¼°ç®ç¾å ï¼å¹¶éå®é äºè´¦åã
20/20 å ¨é¨éè¿ç任塿°
ä¼°ç®ææ¬ï¼20 次è¿è¡
æ¯æ¬¡å¯é ä»»å¡çææ¬
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
ç°å¨æä¸è´æ§æåã GPT-5.4 以 $6.80 æä¸º æä¾¿å® çï¼å°½ç®¡åªæ 128 个任å¡è¾¾æ ãGPT-6 Astra 以 $7.45 è¾¾å° 231 个ï¼è Claude Opus 5.5 以 $7.80 è¾¾å°å¹¶åæé«ç 241 个ã
è¿ä¸è 䏿²¡æåªä¸ä¸ªè½ååå ¶ä»ä¸¤è ï¼æ¯å¢å ä¸ä¸ªå¯é ä»»å¡ï¼ææ¬å°±æ´é«ãClaude Opus 5 ä¹éè¿äº 241 个ï¼ä½ææ¬ä¸º $13.30ï¼å æ¤ Opus 5.5 å®å ¨ååäºå®ãGPT-5.6 Sol 忬¡æåææ¬æä½ï¼ä¸º $0.127ï¼ä½æ¯æ¬¡å¯é 任塿æ¬ä¸º $9.76ãè·å¾æ£ç¡®çæ¡æä¾¿å®çæ¹å¼ï¼å¹¶ä¸æ¯è·å¾å¯é çæ¡æä¾¿å®çæ¹å¼ã
失败ç¹å¾
æä»¬ä¸ºæ¯ä¸ªå¤±è´¥ç轨迹åé ä¸ä¸ªç¡®å®æ§çè¯æç¹å¾ï¼è主è¦ç»è®ºæ¯å¯æä½çï¼å¤§çº¦äºåä¹åç失败æ¯å·¥å ·å¤çé®é¢ï¼è䏿¯æ¨çé®é¢ãå¨æä»¬è®ºæ 表 5 ä¸çä¸é¡¹æ¶èç ç©¶ä¸ï¼
失败ç¹å¾
å¤±è´¥å æ¯
å·¥å ·ä½¿ç¨
79.9%
é误çç¶ææ´æ°
10.3%
ä¸å®æ´çç¨æ·è§£å³æ¹æ¡
7.0%
æ²¡ææ¹åç¶æçæä½
2.9%
è¿äºæ¯å模åå æ¯åå¯è§å¯æ ç¾çæªå æå¹³åå¼ï¼å¹¶éå¯ä¸çå æè§£éã
å®é 模å¼å¾ç®åï¼æºè½ä½é常è½èµ°å¾è¶³å¤è¿ä»¥å°è¯å·¥ä½æµï¼ç¶åæ æ³ä»å·¥å ·é误ã失败çåç½®æ¡ä»¶æç©ºæ¥æ¾ä¸æ¢å¤ãè¿é¦å æ¯ä¸ä¸ªéè¯åé误æ¢å¤é®é¢ï¼å ¶æ¬¡ææ¯æ¨¡åé®é¢ã
é¾åº¦ä¹å é¢åèå¼ï¼å¨ä¸æè¡¨ 2 ååºç模åä¸ï¼é¶å®å¹³å pass@1 为 59.52%ï¼è汽车ä¿é©å¹³å为 33.83%ã
对æ¤è¯¥æä¹åã æ 20/20 éè¿çå½ä½è®¾è®¡è¾å ¥ï¼è䏿¯æç»å¤å³ãåºåè¯åæä¾æ®çåä¸ä¿¡å·å¨ç产ä¸ä¹å¯è·å¾ï¼å¨æäº¤ä¹åæ£æ¥æç»ç¶æï¼è䏿¯æ¨¡å对å®çæ»ç»ã
å¯¹å·¥å ·åç³»ç»é误è¿è¡åç±»ï¼ä»¥ä¾¿éè¯é坹坿¢å¤çé误ãå°å·¥å ·é¢ååå°å·¥ä½æµæéçèå´ãå¹¶ä¸å¯¹æ æ³ä½ææ¬éè½¬çæ´æ¹è¦æ±äººå·¥æ¹åãæä»¬å°æªå¨æ¤åºå䏿µéå ¶ä¸ä»»ä½ä¸é¡¹å¸¦æ¥çæåï¼èè¿æ£æ¯è¯¥ç¯å¢ç°å¨ä½¿å ¶å¯æµè¯çé£ç±»äºæ ã
å·¥ä½åç
ThinkingBox æ¯æºè½ä½æ²ç®±ï¼è ThinkingBox-Bench æ¯ç¨äºè¯ä¼°æºè½ä½çæ°æ®éåºåãæ¬æé¡¶é¨çå¾å±ç¤ºäºè¯¥å¾ªç¯ï¼ä»¥ä¸æ¯æ¯ä¸ªé¨åçä½ç¨ã
å¾ 5ï¼ä¸æå¾ 1 ä¸é¢æ¿ A çæ²ç®±å¾ªç¯ï¼é离çå·¥å ·ä¼è¯ãç»ç«¯æ°æ®åºç¶æãå¯ä½ç¨ã坿§è¡è¯å¤å¨ã
æ¯ä¸ªä»»å¡é½å®ä¹äºèµ·å§åç«¯ç¶æãç¨æ·ç®æ ãå¯ç¨ç MCP å·¥å ·ãé¢åçç¥ï¼ä»¥å对ç»ç«¯ç¶æç坿§è¡æ£æ¥ãä¸ä¸ªæ¨¡æç¨æ·ææç§æä¸ä¸æï¼é¢è®¢åèå·ãå好æåºçæ¥æï¼ï¼åªæå¨è¢«è¯¢é®æ¶æä¼éé²ã
æ¯æ¬¡å°è¯é½ä¼è·å¾ä¸ä¸ªé离ç MCP ä¼è¯ï¼ç¶æå ¨æ°åå§åãåä¸ä»»å¡ç两次å°è¯æ°¸è¿ä¸ä¼å ±äº«æ°æ®åºè¡æç¼åçå·¥å ·ç¶æï¼è¿æ£æ¯ 20 次è¯éªå¯¹æ¯ææä¹çåå ã
æåï¼ä¸ä¸ªå¯ä½ç¨æåå¨ä¼æ¨å¯¼åºå®é åççååï¼ç¡®å®æ§è¯å¤å¨å°å ¶ä¸æéçæç»ç¶æè¿è¡æ¯è¾ï¼æ¥å ä»»ä½ è½äº§çæ£ç¡®ç»æç轨迹ï¼åæ¶æç»é误ã缺失æå¤ä½çææãå¯¹äºæ²¡ææç¡®æ°æ®åºå¼çè¦æ±ï¼âä»£çæ¯å¦æ«é²äºè¿ä¸ä¿è¯ï¼âï¼ï¼åç¨ä¸ä¸ªççªçäºå è¯åé®é¢æ¥å¤çè¯ä¹ã507 个任å¡ä¸æ 477 ä¸ªä» æ ¹æ®ç¶æè¯åï¼30 个å¢å äºååºè¯åæ åã
信任边çï¼æ¨¡åçå°ä»»å¡ã对è¯åå·¥å ·æ¨¡å¼ãé»éç¶æãæè¨ãè¯åå é¨é»è¾ååæ®ä¿çå¨è¯ä¼°å¨ä¸ä¾§ã
èªå·±è¿è¡
ThinkingBox ç°å·²ç»é Hugging Faceï¼å æ¬ æµè¯æ¡æ¶ å æ°æ®é ãThinkingBox-Bench ç°å¨ä½äº OpenEnv æ¥å£ä¹åï¼æ¯ä¸ªå®æçååé½ä¼è¿åä¸ä¸ªäºå éè¿/失败å¥å±ãåå¸çéé å¨ä¸ä¸ºè¯ä¼°è®¾è®¡ï¼ç¬ç«çéåºååºæ¯å¯ä»¥å¨è®ç»å·¥ä½æµä¸ä½¿ç¨ç¸åçæ¥å£ã
å¼å§ä¹å
å·²å¨ Linux å WSL 䏿µè¯ï¼éè¦ Python 3.11+ã uv å Dockerãä½ è¿éè¦å¨åºå®çæ¬ä¸æ£åº thinkingbox-data ï¼ä»¥åç¨äºä»£çãæ¨¡æç¨æ·åè¯å¤å¨ç模å端ç¹ãä¸ä¸ªç«¯ç¹å¯ä»¥åæ¶æå¡è¿ä¸ä¸ªè§è²ï¼è¿æ¯æç®åçå¯å¨æ¹å¼ãOpenEnv éå ä» å¯å¨ OpenEnv API ï¼å ¶ä»ææå 容é½éè¦ä½ èªå·±è¿è¡ã
å®è£
# 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"å¯å¨ Typesense
å¨ ç¬¬äºä¸ªç»ç«¯ ä¸ï¼å¯å¨ Typesense 30.1 å¹¶çå¾ å ¶å¥åº·æ£æ¥ï¼
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;
doneå¯å¨ MCP æå¡å¨
å¨ ç¬¬ä¸ä¸ªç»ç«¯ ä¸ï¼å¯å¨ Session Proxy å MCP æå¡å¨ã
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/healthå¯å¨ OpenEnv æå¡å¨
åå°ç¬¬ä¸ä¸ªç»ç«¯ï¼æ ¹æ®æå®ä¸ä¸ªæ¨¡åç ThinkingBox YAML é ç½®å¯å¨ OpenEnv æå¡å¨ï¼ é ç½®æå ï¼ï¼
OPENENV_TB_CONFIG=
"
$PWD
/thinkingbox.yaml"
\
uv run --project envs/thinkingbox_env --frozen serveræ£æ¥å°±ç»ªç¶æ
å¨è¿è¡ä»»ä½å 容ä¹åï¼å ä»¥å°±ç»ªç¶æä¸ºé¨æ§ãå¨å¯è§å¯æ°æ®ãé ç½®å Session Proxy æ£æ¥éè¿ä¹åï¼å®ä¼è¿å 503ã宿 æ³è§å¯ Typesense æå®æ¶æ¢æµæ¯ä¸ªæ¨¡å端ç¹ï¼å æ¤è¯·åç¬ç¡®è®¤è¿äºï¼
curl -sS http://127.0.0.1:8000/ready对ååè¯å
ç°å¨å¯¹ä¸ä¸ªçå®ååè¯åã example_usage.py åªé置并ååºå·¥å ·ï¼å¯¹äºä»£çæä½ãææåæè¨ï¼è¯·ä½¿ç¨æå çè¯ä¼°å¨ï¼
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 1800OpenEnv éé å¨å°æä½æ éåå ¥é误é屿件ï¼ä»¥ä¾¿å¯ä»¥éæ°è¿è¡ï¼è䏿¯ä¸æ¨¡åç»æé黿··åãè§èç»æå¿ é¡»è§£å³ææç¡®è¯´æè¿äºå°è¯ï¼æä»¬å°ç³»ç»éè¯¯è®¡ä¸ºä¸æåçè¯éªã
è¿è¡ä»¥åºå®çæ¡æ¶æäº¤ãåºå®çæ°æ®åå¸åæç»åå¸ä¸ºé¨æ§ï¼å æ¤è§èç»æå¯éªè¯èéä» åæè¨ã
ä¸ä¸æ¥èµ°å
è¿é¡¹å·¥ä½ä¸ææç¨çé¨å䏿¯æä»¬ç pass@1 æè¡æ¦ãèæ¯ç¯å¢ã
å¦æä½ æ£å¨è¯ä¼°ä¸ä¸ªä¼æ¥è§¦çå®è®°å½ç代çï¼
- æ£æ¥ä¸æ¬¡å¤±è´¥ã æ¾ä¸ä¸ªå¹²åç»æ¢ä½ä»ç¶å¤±è´¥çè¿è¡ï¼ççæ°æ®åºä¸å®é åçäºä»ä¹ååãè¿ä¼éæ°å®ä¹ä½ èªå·±çè¯ä¼°æè¡¡éçå 容ã
- å¤ç°ä¸ä¸ªä»»å¡ ï¼éè¿ OpenEnv 使ç¨ä½ èªå·±ç模åã
- æ¥åä¸ä¸ªé夿æ ï¼å¹¶å®ä¹å®ã æ è®ºä½ çç¨ä¾è¯æ k æ¯å¤å°ï¼è¯´æä½ æ¥åçæ¯ best-of-k è¿æ¯ every-of-kï¼ä»¥åä½ æ¯å¦ä½è®¡ç®çã
æ´å¤ç»èå¯ä»¥å¨ä»¥ä¸é¾æ¥ä¸æ¾å°ï¼
- ç¯å¢ï¼ envs/thinkingbox_env
- OpenEnvï¼ https://huggingface.co/docs/openenv/environments/thinkingbox
- æ¡æ¶ï¼ microsoft/thinkingbox · æç¨
- åºåï¼ microsoft/thinkingbox-data · v1.0 çæ¬
- æ°æ®éæ¥çå¨ï¼ microsoft/ThinkingBox-Bench
- 论æï¼ arXiv:2608.19741 æ HF
- RL è®ç»ï¼å³å°æ¨åºï¼ï¼ microsoft/thinkingbox-training
ThinkingBox 代ç éç¨ MIT 许å¯ï¼åºåæ°æ®éç¨ CDLA-Permissive-2.0 ï¼OpenEnv ç¯å¢ä»¥ OpenEnv ç BSD-3-Clause åå¸ã
å 责声æï¼å ¬å¼åºåä¸çæ¯ä¸ªä»»å¡é½æ¯åæé建ã工使µåçç¥ä»¥çå® AI 代çä¼ä¸æ¨¡å¼ä¸ºèæ¬ï¼å®¢æ·å¹¶éçå®åå¨ã
ThinkingBox å ThinkingBox-Bench ç± Microsoft Copilot Studio å¢éä¸ Toloka åä½æå»ºï¼åä½è æ¥èªå¹å ¹å ¡å¤§å¦ã西å大å¦ãå¥ä¼¦æ¯äºå¤§å¦åå å·å¤§å¦æ¬§æåæ ¡ï¼ä»ä»¬æ¾å¨ Microsoft å®ä¹ ãæ¬¢è¿å¨ä¸æ¹è¯è®ºåºæ github 䏿é®
+ OpenRouter ææ¬å¿«ç §ææäº 2026 å¹´ 9 æ 20 æ¥ï¼Opus 5.5 å®ä»·ä¾æ® Anthropic ç½ç«ã
æ¥æºï¼ Hugging Faceï¼Blog · huggingface.co
Microsoft / Copilot
Hugging Face
Agent æºè½ä½
论æç ç©¶
è¯æµåºå
#
论æ/ç ç©¶
Agent
è¯æµ/åºå
Microsoft