เครื่องมือนักพัฒนา
Microsoft เปิด ThinkingBox บน Hugging Face: วัดเอเจนต์จาก "ข้อมูลในฐานข้อมูล" ไม่ใช่คำตอบ แล้วรันซ้ำ 20 รอบ — Opus 5.5 นำ pass@1 แต่ผ่านครบ 20/20 ได้เท่า Opus 5 คือ 241 งาน
3 ต.ค. 2026 Microsoft กับ Hugging Face ปล่อย ThinkingBox-Bench ผ่าน OpenEnv ประกอบด้วยงานธุรกิจ 507 งานใน 5 โดเมน ตรวจผลจากสถานะฐานข้อมูลหลังเอเจนต์ทำงานเสร็จ และรันแต่ละงาน 20 รอบ จากการทดสอบ 18 โมเดล Claude Opus 5.5 นำที่ pass@1 67.16% Kimi-K3 แก้ได้กว้างที่สุดที่ 476 งาน แต่ผ่านครบ 20/20 ได้แค่ 68 งาน และราว 80% ของความล้มเหลวมาจากการใช้ tool
· อ่าน 6 นาที
