Benchmarkul ThinkingBox de la Microsoft sosește pe OpenEnv cu 20 de încercări per sarcină, setul de date Exgentic reunește 10 000 de urme în format OpenTelemetry
ThinkingBox rejoacă 507 sarcini de 20 de ori pe OpenEnv și clasamentul agenților se schimbă, 10 000 de urme Exgentic în format OpenTelemetry, Claude Code 2.1.289.