Microsoft 与 Hugging Face 发布 ThinkingBox：按数据库终态评测 AI 智能体

Microsoft ThinkingBox 根据 AI 代理留下的记录而非其生成的语句来评分，然后测试它们能否连续二十次做到这一点。它现已通过 Hugging Face 提供。

图 1：ThinkingBox 在隔离的 MCP 工具会话中运行代理，然后对其留下的终端后端状态和副作用进行评分。出自我们的 ThinkingBox 论文。

这是 Microsoft 和 Hugging Face 的联合博客，特别感谢 Tommy Guy（Enderis AI 创始人，此前任职于 Microsoft）、Hugging Face 的 Sergio Paniego，以及我们此前的实习生 Zhuochun Li（匹兹堡大学）、Ali Keramati（加州大学欧文分校）、Youngmin Ko（西北大学）的合著/审阅贡献。

一位客户来信。她那台价值 745 美元的厨房电器在纳什维尔配送中心因快递“异常”而滞留，已超过预计送达日期十五天。

AI 代理做了细致的工作。九次工具调用：它调取订单、查询物流跟踪、查找她的客户档案、两次检索退款政策、确认不存在工单、创建一个工单、记录时间线，并正确解读了政策；她的账户分组确实不符合延迟送达补偿资格。

然后它将工单关闭为 已解决，并回复“由于您的问题已解决，还有什么我可以帮您的吗？”

有两处错误。承运商异常仍然未解决，因此所需的最终状态应为 暂停，等待处理。而且客户从未得到她真正所问问题的实际答复。

一个检查工具调用的 AI 评分器会看到九次格式良好的调用。检查代理是否写入数据库的评分器也会看到这一点。数据库才不同意。

这个差距正是 ThinkingBox 所衡量的。在 507 个有状态的业务工作流中，每个流程针对各种 LLM 模型运行 20 次，它根据终端后端状态和副作用对代理进行评分。本文介绍了我们的发现、一致性的代价，以及如何通过 OpenEnv 自己运行该基准测试。

你可以自己运行这个例子：上述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仅涉及一个字段：工单状态为 solved，而所需的最终状态是 hold。完整追踪见我们论文的 附录 D.4，案例 3。

目录

1. 工具调用不等于结果
2. 一次成功不等于可靠
3. 你能依赖代理背后的模型吗？
4. 一致性的代价
5. 失败特征
6. 工作原理
7. 自己运行
8. 下一步走向

想在阅读结果前先试一试？跳到 自己运行 一节。

工具调用不等于结果

最终回复和有效的工具调用只是代理指标。一个代理可以听起来正确，却留下错误的值、更改错误的记录，或产生额外的副作用。只有它留下的记录才能定论。

差距十分显著。在一项覆盖 12 个 LLM 模型、121,680 次有效试验的通用集消融中，有 79,853 次尝试未通过可执行检查。在这些失败中，67.24% 仍然干净地终止、调用了改变状态的工具，并且没有报告最终的工具有误。然而，可执行检查在其中的 77.61% 中发现了字段值错误，在 43.30% 中发现了非预期的额外效果，在 25.36% 中发现了缺失的必需效果。这些状态检查的发现存在重叠。

轨迹是一种主张。数据库状态是证据。重复是信任测试。

一次成功不等于可靠

一个智能体如果第一次正确处理了一笔退款，而在接下来的四次中处理失当，那它就不是一个能正常工作的退款智能体。因此，每个任务都要运行 20 次独立尝试，每次都从相同的干净后端开始，我们报告三项不同的内容：

表 1：我们报告的三项数字，以及每项数字所回答的问题。

在本篇博文中，我们使用实际观测到的 20/20，作为 507 个任务中有多少个在 20 次中通过 20 次的字面计数。没有估计量，没有平滑处理。

先从熟悉的视角开始。下表按领域细分报告了 pass@1，即单次尝试得分的估计值。这是大多数排行榜都会公布的数字，单看它，读起来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 20 次重复试验评估。粗体标出组内领先者；下划线标出第二名。单次尝试得分估计的标准误见我们 ThinkingBox 论文中的表 4。

Claude Opus 5.5 以 67.16% 领跑总体，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 仅相差一个百分点以内。领域同样重要：Claude Opus 4.6 在零售上得分 68.62%，但在汽车保险上只有 8.30%。

一次好的运行说明模型能做这项工作。它不能说明它是否会再次做到。所以每个任务都运行 20 次，然后问这个分数能保住多少。

图 2：每个模型的单次尝试得分在 20 次重复后保住了多少。

只有三个模型保住了它们 pass@1 得分的大部分：GPT-6 Astra 保住了其单次尝试率的 78%，Claude Opus 5.5 和 Claude Opus 5 各保住了 71%。在另一端，GLM-5.1、Kimi-K2.6 和 DeepSeek-V4-Pro 各只保住了约 8%。

一个模型能做一次和它每次都能做之间的差距，就是全部问题所在。

你能依赖智能体背后的模型吗？

图 3：广度与一致性出现分化。图中展示了十八个模型中的十二个；为了提高可读性，省略了六个 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。它至少一次解决了基准测试中 93.89% 的任务：507 个任务中的 476 个。仅有 31 个任务彻底击败了它，是全场最低的数量。在零售工作流上，它以 82.24% 的 pass@1 直接领先，超过所有专有模型。

Kimi-K3 也是一致性最差的模型之一。507 个任务中仅有 68 个、即 13.41%，在全部 20 次尝试中都成功。

Claude Opus 5 则完全相反。它至少一次解决的任务更少（79.09%；有 106 个任务彻底击败了它），但在每一次尝试中都能完成基准测试的 47.53%。

更新的模型并不能解决这个问题。Claude Opus 5.5 在每次尝试的平均值上高于 Claude Opus 5，为 67.16% 对 66.50%，并且至少一次解决的任务更多。它在全部 20 次尝试中通过的任务数量完全相同：241 个。半分钱的头部准确率提升完全没有换来额外的可靠性。

• Kimi-K3 至少一次解决的任务比 Opus 5 多 75 个。
• Opus 5 一致性解决的任务比 Kimi-K3 多 173 个。

如果你要为涉及真实记录的工作选择模型，pass@20 是错误的列。

一致性的代价

能力对比通常止步于分数。对于任何部署者来说，相关的问题是成功完成一个工作单元的成本是多少。我们将其衡量为每个成功任务尝试的成本。我们说任务尝试，是因为每个基准任务都会被反复运行，而成本按每次尝试产生，所以 pass@1 是与之匹配的质量分母。

我们取每个模型在其完整的 507 × 20 次运行中记录的 token 用量，并按照 OpenRouter⁺ 上可获得的未折扣标价计价，将促销折扣还原，并排除声明量化的端点。输入、输出和缓存费率均来自每个模型的一个提供商端点。

然后我们用一次运行的成本除以成功的尝试次数：

每个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)

这是一个比较效率指数，不是账单，也不是服务一个生产请求的价格。它衡量的也是单次成功，而不是一致性。我们接下来衡量一致性。

示例：GPT-5.4 的 507 次尝试（每个任务一次）成本为 $43.49，pass@1 为 65.36%，因此 $43.49 ÷ (507 × 0.6536) = 每个成功任务尝试 $0.131。

帕累托成本前沿

如果没有任何其他模型既不更贵且至少同样准确，那么一个模型就位于前沿上。有三个模型符合条件；其他每个模型都至少在某个维度上被支配。

图 4：每个成功任务尝试的成本与 pass@1 的关系。带环的点是帕累托成本前沿模型。

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 提高了 3.45 个百分点；Claude Opus 5.5 又以每次成功 $0.276 的代价增加了 1.80 个百分点。这三个模型都仍位于成本前沿线上，因为没有更便宜的模型能匹配其 pass@1。

Claude Opus 5 是最明显的例子：以每次成功尝试 $0.475 和 66.50% 的 pass@1，它比每次成功 $0.276 和 67.16% 的 Claude Opus 5.5 既更贵又更不准确。

现在给一致性定价

「每次成功成本」奖励的是便宜且经常正确的模型，而不奖励每次都正确的模型。所以我们还计算「每个可靠任务成本」：完整 20 次运行的总成本除以模型在全部 20 次尝试中都通过的任务数。

每个可靠任务成本 = 507 次尝试的 20 次运行预估成本 ÷ 20/20 全部通过的任务数

示例：GPT-6-Astra 该轮测试成本为 20 × $86.03 = $1,720.60，并在每次尝试中通过 231 个任务，因此 $1,720.60 ÷ 231 = 每个可靠任务 $7.45。

表 3：在至少有一个任务达到 20/20 观测的模型中，每个可靠任务成本最低的九个模型，按从低到高排序。成本为估算美元，而非实际云账单。

现在按一致性排名。GPT-5.4 以 $6.80 成为最便宜的，不过只有 128 个任务达标。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。

这三者谁都无法压过另外两者：每增加一个可靠任务，成本就更高。Claude Opus 5 也通过 241 个，但成本为 $13.30，因此 Opus 5.5 完全压过它。GPT-5.6 Sol 以 $0.127 成为单次成功成本最低的，但每个可靠任务成本为 $9.76。获得正确答案最便宜的方式，并不是获得可靠答案最便宜的方式。

失败特征

我们为每条失败轨迹分配一个确定性的诊断特征，而核心结论是可操作的：大约五分之四的失败是工具处理问题，而不是推理问题。在我们论文表 5中的一项消融研究中：

这些是各模型占比与可观测标签的未加权平均值，并非唯一的因果解释。

实际模式很简单：agent 通常能走得足够远，开始尝试工作流，但随后无法从工具错误、前置条件失败或空查询结果中恢复。这首先是重试与错误恢复问题，其次才是模型问题。

难度也因领域而异：在上文表 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%。

该如何应对。把 20/20 比率当作设计输入，而不是最终判决。基准评测所依据的同一信号在生产环境中也可获得：在提交前检查最终状态，而不是模型对最终状态的总结。

对工具错误和系统错误进行分类，让重试针对可恢复的错误。将工具面裁剪到工作流真正需要的范围。并且对无法低成本逆转的变更要求人工批准。我们尚未在此基准上测量这些做法各自能带来多少提升，而这正是该环境如今使其可测试的那类事情。

工作原理

ThinkingBox 是 agent 沙箱，而 ThinkingBox-Bench 是用于评估 agent 的数据集基准。本文顶部的图示展示了这一循环；以下是各部分的作用。

图 5：上文图 1 中面板 A 的沙箱循环：隔离的工具会话、终态数据库状态、副作用、可执行评判器。

每个任务定义了一个起始后端状态、一个用户目标、可用的 MCP 工具、领域策略，以及对终端状态的可执行检查。模拟用户持有私有上下文（预订参考号、偏好或出生日期），仅在收到询问时才会透露。

每次尝试都会获得一个隔离的 MCP 会话，并带有全新初始化的状态。同一任务的两次尝试永远不会共享数据库行或缓存的工具状态，这正是 20 次试验对比具有意义的原因。

最后，副作用提取器会推导出实际发生的变化，确定性评判器将其与所需的最终状态进行比较，接受 任何 能够产生正确结果的轨迹，同时拒绝错误、缺失或额外的副作用。对于没有明确数据库值的要求（“agent 是否披露了这并不保证？”），则用一个狭窄的二元评分问题来处理其语义。507 个任务中有 477 个仅根据状态评分；30 个增加了响应评分标准。

信任边界：模型只能看到任务、对话和工具模式。黄金状态、断言、评分内部逻辑和凭证都保留在评估器一侧。

自行运行

ThinkingBox 现已登陆 Hugging Face，包括 测试框架 和 数据集。ThinkingBox-Bench 现在位于 OpenEnv 接口之后，每个完成的回合都会返回一个二元的通过/失败奖励。发布的适配器专为评估而设计；独立的非基准场景可以在训练工作流中使用相同的接口。

开始之前

已在 Linux 和 WSL 上测试，需要 Python 3.11+、uv 和 Docker。你还需要在固定版本上检出 thinkingbox-data，并为 agent、模拟用户和评判器提供模型端点。一个端点可以同时服务这三个角色，这是最简单的起步方式。OpenEnv 镜像 仅启动 OpenEnv API；其他所有内容都需要你自己运行。

安装

# 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 并等待其健康检查：

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。

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

回到第一个终端，根据指定你三个模型的 ThinkingBox YAML 配置启动 OpenEnv 服务器（配置指南）：

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

检查就绪状态

在运行任何内容之前先以就绪状态为门槛。在其可观测数据、配置和 Session Proxy 检查通过之前，它会返回 503。它无法观测 Typesense，也无法实时探测每个模型端点，因此请单独确认这些内容：

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

为一次回合评分

现在为一个真实回合评分。example_usage.py 只重置并列出工具；如需 agent 动作、副作用和断言，请使用打包的评估器：

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 适配器会将操作故障写入一个错误附属文件，以便它们可以被重新运行，而不是被静默地与模型结果混在一起。规范结果必须解决或明确说明这些尝试；我们将系统错误计为不成功的试验。

运行以固定的框架提交、固定的数据发布和捆绑包哈希为门槛，因此规范结果具有可验证性，而非仅仅声称。

下一步方向

这项工作中有用的部分不是我们的 pass@1 排行榜。而是这个环境。

如果你正在评估一个会触及真实记录的 agent：

1. 检查一次失败。找到一个干净终止却仍然失败的运行，看看数据库中究竟发生了什么变化。这会重塑你自己的评估所衡量的内容。
2. 复现一个任务，通过 OpenEnv 使用你自己的模型。
3. 报告一个重复指标，并定义它。无论你的用例证明 k 取多少合理；说明你报告的是 best-of-k 还是 every-of-k，以及你是如何计算的。

更多细节可在以下链接中找到：

• 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 发布
• 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 代码采用 MIT 许可；基准数据采用 CDLA-Permissive-2.0；OpenEnv 环境依据 OpenEnv 的 BSD-3-Clause 发布。

免责声明：公开基准中的每个任务都是合成重建。工作流和策略以真实 AI 智能体企业模式为蓝本；客户并非真实存在。

ThinkingBox 和 ThinkingBox-Bench 由 Microsoft Copilot Studio 团队与 Toloka 合作构建，合作者来自匹兹堡大学、西北大学、哥伦比亚大学和加州大学欧文分校，他们曾在 Microsoft 实习。欢迎在下方评论区或 github 上提问

⁺ OpenRouter 成本快照取自 2026 年 9 月 20 日；Opus 5.5 定价依据 Anthropic 网站。