微软 Copilot Studio 团队与 Hugging Face 发布 ThinkingBox 与 ThinkingBox-Bench：507 个有状态业务任务各跑 20 遍，只按数据库终态和副作用判分。结果显示三分之二的失败依然「干净退出」，重复 20 次后头部模型 pass@1 保持率从 78% 到 8% 不等。