마이크로소프트가 에이전트 평가를 위한 샌드박스 'Thinkingbox'와 벤치마크 'Thinkingbox-bench'를 공개했어요. Thinkingbox는 격리된 도구 세션, 실행 추적, 최종 백엔드 상태 평가를 제공하며, 507개의 정책 기반 워크플로우를 포함해요. 에이전트가 상태 기반 비즈니스 작업을 안정적으로 완료하는 데 어려움이 있으며, 현재 모델은 65.36%의 pass@1 성능을 보이지만 pass^20은 25.25%에 불과해요.