ThinkingBox基准：智能体单次成功率高不等于可重复成功

微软作者发布ThinkingBox-Bench，含507个跨5个领域的业务流程任务，每项独立运行20次并按后端终态评分。Kimi-K3单次覆盖率达93.89%，但仅13.41%任务20次全对；Claude Opus 5覆盖率79.09%，全对率却达47.53%，说明发现能力与可重复性排名几乎相反。

• 微软发布ThinkingBox，按数据库状态评估AI智能体2026-10-03
• AI悖论需护栏而非恐慌2026-09-26
• Ternary Bonsai 2（27B）以<6GB体积开源2026-09-17
• Terminal Bench v4：GLM-5.3领先开源模型排名2026-09-11
• Qwen3.8-27B微调为更“有人味”对话2026-09-11