Hugging Face Blog·· 1 小时前精选AI 评分62
微软与 Hugging Face 用 ThinkingBox 数据库校验结果作 RL 奖励训练智能体
Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox
AI 导读
微软与 Hugging Face 发布 ThinkingBox-Training，把 ThinkingBox 对数据库终态的校验结果直接当作强化学习奖励，用 GRPO 对 Qwen3.8-27B 训练 50 步后，ThinkingBox-Bench 上 pass@1 从 51.70% 升到 60.78%，20 次全部通过的任务从 38 个增至 107 个。
推荐理由
微软与 Hugging Face 把数据库终态校验直接当作 RL 奖励，并公开了任务筛选与训练代码，可迁移到其他有状态智能体训练。
来源：Hugging Face Blog · huggingface.co