Benchmark ThinkingBox od Microsoftu trafia do OpenEnv z 20 próbami na zadanie, zbiór danych Exgentic gromadzi 10 000 śladów w formacie OpenTelemetry
ThinkingBox odtwarza 507 zadań 20 razy w OpenEnv i ranking agentów ulega zmianie, 10 000 śladów Exgentic w formacie OpenTelemetry, Claude Code 2.1.289.