El banco de pruebas ThinkingBox de Microsoft llega a OpenEnv con 20 intentos por tarea, el conjunto de datos Exgentic reúne 10 000 trazas en formato OpenTelemetry
ThinkingBox reproduce 507 tareas 20 veces en OpenEnv y la clasificación de los agentes cambia, 10 000 trazas Exgentic en formato OpenTelemetry, Claude Code 2.1.289.