ThinkingBox: 67% de fallos de agentes pasan desapercibidos
El benchmark que pone a los agentes contra la base de datos, no contra el escenario ThinkingBox es un benchmark publicado por Microsoft y Hugging Face que mide algo que la mayoría de los rankings de IA ignoran: si el agente deja la base de datos en el estado correcto, no si su respuesta parece …









