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

Microsoft ThinkingBox 根据 AI 智能体留下的记录而非其生成的语句来评分，然后考察它们能否连续二十次做到这一点。现已通过 Hugging Face 提供。

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

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陷入快递“异常”状态，已超过预计送达日期十五天。

AI 智能体做了细致的工作。九次工具调用：它拉取订单、检查物流、查找她的客户资料、两次搜索退款政策、确认不存在工单、创建一个工单、记录时间线，并正确解读政策；她的账户细分确实不符合延迟送达补偿条件。

然后它将工单关闭为 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？ ”

有两处错误。承运商异常仍未关闭，因此所需的最终状态是 暂停 ，等待解决。而且客户从未得到她真正所问问题的实际答案。

检查工具调用的 AI 评分器会看到九次格式良好的调用。检查智能体是否写入数据库的评分器也会看到这一点。数据库才是 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 次，它根据终端后端状态和副作用对智能体进行评分。本文涵盖我们的发现、一致性的代价，以及如何通过 OpenEnv 自行运行该基准测试。

你可以自己运行这个： 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

想在阅读结果之前先试一试？跳到 自行运行 部分。

工具调用不等于结果

最终响应和有效的工具调用只是代理指标。智能体可能听起来正确，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解决问题。

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% 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错误。然而，可执行检查在其中 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% 中发现了缺失的必要效果。这些状态检查发现存在重叠。

轨迹是一种声明。数据库状态是证据。重复是信任测试。

一次成功不等于可靠

一个能正确处理一次退款、却在接下来四次中处理不当的智能体，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 次独立试验 ，每次都从相同的干净后端开始，我们报告三个不同的指标：

表 1：我们报告的三个数字，以及每个数字所回答的问题。

在这篇博客文章中，我们使用 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 次重复试验评估。粗体标记组内领先者；下划线标记第二名。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% 总体 领先 ，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。 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%。

一次好的运行告诉你模型能做这项工作。它不会告诉你它是否会再次做到。所以每个任务运行 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 模型保留了其 pass@1 得分的大部分：GPT-6 Astra 保留了其单次尝试率的 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 之间的差距就是全部故事。

你能依赖智能体背后的模型吗？

图 3：广度和一致性出现分化。图中显示了 18 个模型中的 12 个；为了清晰起见，省略了 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。 它至少成功解决一次的任务占基准测试的 93.89% ：507 个任务中的 476 个。只有 31 个任务完全难倒它，是这一领域中最少的。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 也是稳定性最差的模型之一。 507 个任务中只有 68 个，即 13.41%，在全部 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 个任务完全难倒它），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 在每次尝试平均值上高于 Claude Opus 5，为 67.16% 对 66.50%，并且至少成功解决一次的任务更多。它在全部 20 次尝试中通过的任务数量完全相同：241 个。半点头部准确率完全没有换来额外的可靠性。

· 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 。

如果你要为涉及真实记录的工作选择模型，pass@20 是错误的参考列。

一致性的代价

能力比较通常止步于分数。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。我们将其衡量为每次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，因此 pass@1 是与之匹配的质量分母。

我们从每个模型完整的 507 × 20 次运行中提取其记录的 token 用量，并按 OpenRouter + 上可用的未折扣标价计价，撤销促销折扣，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)

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 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%，因此 $43.49 ÷ (507 × 0.6536) = 每次成功任务尝试 $0.131。

帕累托成本前沿

如果一个模型没有其他模型同时 不更贵 且 至少同样准确 ，那么它就位于前沿上。有三个模型符合条件；其他每个模型都至少在某一维度上被支配。

图 4：每次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 3.45 个百分点；Claude Opus 5.5 以每次成功 $0.276 再增加 1.80 个百分点。这三者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：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

每次成功的成本奖励的是便宜且经常正确的模型。它不奖励每次都正确的模型。因此我们还计算了每次可靠任务的成本：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。

每次可靠任务的成本 = 507 次尝试运行 20 次的估算成本 ÷ 20/20 全部通过的任务数

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 个任务，因此 $1,720.60 ÷ 231 = 每个可靠任务 $7.45。

表 3：在至少有一个观察到 20/20 任务的模型中，每次可靠任务成本最低的九个模型，按从低到高排序。估算美元，并非实际云账单。

现在按一致性排名。 GPT-5.4 以 $6.80 成为 最便宜 的，尽管只有 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。

这三者中没有哪一个能压倒其他两者：每增加一个可靠任务，成本就更高。Claude Opus 5 也通过了 241 个，但成本为 $13.30，因此 Opus 5.5 完全压倒了它。GPT-5.6 Sol 单次成功成本最低，为 $0.127，但每次可靠任务成本为 $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

我们为每个失败的轨迹分配一个确定性的诊断特征，而主要结论是可操作的：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：

这些是各模型占比和可观察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：智能体通常能走得足够远以尝试工作流，然后无法从工具错误、失败的前置条件或空查找中恢复。这首先是一个重试和错误恢复问题，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%。

对此该怎么办。 把 20/20 通过率当作设计输入，而不是最终判决。基准评分所依据的同一信号在生产中也可获得：在提交之前检查最终状态，而不是模型对它的总结。

对工具和系统错误进行分类，以便重试针对可恢复的错误。将工具面削减到工作流所需的范围。并且对无法低成本逆转的更改要求人工批准。我们尚未在此基准上测量其中任何一项带来的提升，而这正是该环境现在使其可测试的那类事情。

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 的沙箱循环：隔离的工具会话、终端数据库状态、副作用、可执行评判器。

每个任务都定义了起始后端状态、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。一个模拟用户持有私有上下文（预订参考号、偏好或出生日期），只有在被询问时才会透露。

每次尝试都会获得一个隔离的 MCP 会话，状态全新初始化。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 次试验对比有意义的原因。

最后，一个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 能产生正确结果的轨迹，同时拒绝错误、缺失或多余的效果。对于没有明确数据库值的要求（“代理是否披露了这不保证？”），则用一个狭窄的二元评分问题来处理语义。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、评分内部逻辑和凭据保留在评估器一侧。

自己运行

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通过/失败奖励。发布的适配器专为评估设计；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 ，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 仅启动 OpenEnv API ；其他所有内容都需要你自己运行。

安装

启动 Typesense

在 第二个终端 中，启动 Typesense 30.1 并等待其健康检查：

启动 MCP 服务器

在 第三个终端 中，启动 Session Proxy 和 MCP 服务器。

启动 OpenEnv 服务器

回到第一个终端，根据指定三个模型的 ThinkingBox YAML 配置启动 OpenEnv 服务器（ 配置指南 ）：

检查就绪状态

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

对回合评分

现在对一个真实回合评分。 example_usage.py 只重置并列出工具；对于代理操作、效果和断言，请使用打包的评估器：

OpenEnv 适配器将操作故障写入错误附属文件，以便可以重新运行，而不是与模型结果静默混合。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哈希为门槛，因此规范结果可验证而非仅凭断言。

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。

如果你正在评估一个会接触真实记录的代理：

· 检查一次失败。 找一个干净终止但仍然失败的运行，看看数据库中实际发生了什么变化。这会重新定义你自己的评估所衡量的内容。

· 复现一个任务 ，通过 OpenEnv 使用你自己的模型。

· 报告一个重复指标，并定义它。 无论你的用例证明 k 是多少；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 代码采用 MIT 许可；基准数据采用 CDLA-Permissive-2.0 ；OpenEnv 环境以 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 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 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 成本快照拍摄于 2026 年 9 月 20 日；Opus 5.5 定价依据 Anthropic 网站。