可靠性

AI Agent

智能体说"搞定了"，数据库不同意：ThinkingBox 用终态给 Agent 打分

一个退款工单，9 次工具调用全部合规，数据库终态却是错的。微软 ThinkingBox 用"终态 + 重复 20 次"重新定义智能体评测：121,680 次有效试验中，近八成失败的模型其实"看起来像成功"。本文完整编译：pass@1 / pass@20 / 20/20 的区别、一致性成本，以及失败特征。