Inteligencia Artificial 6 min lectura
ThinkingBox: medir agentes por lo que dejan en la base de datos, no por lo que dicen
ThinkingBox, desarrollado por Microsoft y disponible en Hugging Face, cambia la métrica: no basta con llamadas a herramientas correctas o respuestas plausibles; lo que importa es el estado que el agente deja en el backend. El benchmark ejecuta 507 flujos de trabajo 20 veces y revela fallas frecuentes en efectos y consistencia.