一个Agent偶尔订对机票，不等于它能放心接入业务。订单、账户、工单这类有状态工作流会不断修改后台记录，后一步还依赖前一步；即使Agent声称“完成了”，数据库也可能已经写错。ThinkingBox因此不只看任务能否做成一次，而是让同一任务从相同的干净后台出发，独立运行20次，并直接校验最终数据库状态和操作影响。
作者介绍，ThinkingBox-Bench包含零售、旅行、车险、数字银行内部IT、咨询公司IT与人事等5个领域的507项工作流，每个模型共接受10,140次测试。最值得注意的是两种排名几乎相反：Kimi-K3至少成功一次的任务覆盖率为93.89%（476/507），但20次全部成功的只有13.41%（68/507）；Claude Opus 5至少成功一次的覆盖率较低，为79.09%，却有47.53%（241项）能连续20次过关。换句话说，会不会做与能不能稳定地做，是两回事。这组结果来自作者在 Reddit 的披露；原始评测轨迹未公开。