Thinkingbox benchmark：Agent在有状态业务流程中可靠性大幅下降

2026-10-01，arXiv Databases频道报道论文《Thinkingbox：面向有状态业务工作流的 Agent 沙箱与基准评测》。论文提出 Thinkingbox 沙箱与 Thinkingbox-bench 基准，包含 507 个策略条件化的业务工作流，覆盖零售、酒店、汽车保险、新银行内部 IT 及咨询 IT/HR 支持。事件综述目前仅此一篇报道，未披露具体评测结果与可靠性下降幅度。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。