Microsoft ThinkingBox 基准上线 Hugging Face，以数据库终态和 20 次重复评测智能体

Microsoft 与 Hugging Face 联合发布 ThinkingBox 沙箱和 ThinkingBox-Bench 基准，覆盖 507 个有状态业务工作流，每任务独立运行 20 次，以终端数据库状态和副作用而非工具调用来打分，现可通过 OpenEnv 接口运行。