微软与 Hugging Face 发布 ThinkingBox：按数据库终态给 AI 智能体打分
微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话运行智能体，按终端后端状态和副作用而非生成文本判分，覆盖 507 个有状态业务流程、每个任务重复 20 次。
推荐理由：微软与 Hugging Face 联合发布的智能体评测基准，用后端状态而非生成文本判分，并给出可复现的 OpenEnv 运行方式。
#MCP/工具调用
Hugging Face Blog精选AI 评分6666
Hugging Face BlogAI 评分2626 ProvenanceGuard：面向 MCP 智能体的来源感知事实性验证
Hugging Face 发布论文 ProvenanceGuard，一种面向 MCP 智能体的生成后验证层，可区分"事实有据"与"归属正确"，专门检测把某来源事实错误归到另一来源的跨来源混淆。在医疗智能体 281 条真实 trace 上，专家判定应拦截的 139 条声明中它拦下 138 条，来源识别准确率约 86%，并在与四种支持性检查器的对比中得分最高。
量子位AI 评分7272 斯坦福 HomeBody 让 GPT-6 Astra 接上宇树 G1 收拾厨房
斯坦福团队在 HomeBody 项目中让 GPT-6 Astra 控制宇树 G1 进入陌生厨房，先探索建图，再按语言指令收拾物品、丢弃纸盒，甚至从视野外的抽屉取药递给人。
Google ResearchAI 评分4040 Google Research 提出 ToolGrad：用文本“梯度”高效生成工具调用数据集
Google Research 提出 ToolGrad，一种“先答案后问题”的工具调用数据生成范式：先生成真实工具调用链，再反推用户提示词，替代 ToolBench、ToolACE 等基于 DFS 试错搜索的查询优先方案。