Hugging Face Blog·· 6 小时前精选AI 评分70
Microsoft 与 Hugging Face 发布 ThinkingBox-Training，用数据库状态信号训练智能体
Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox
AI 导读
Microsoft 与 Hugging Face 发布 ThinkingBox-Training，并将数据库终态的可执行校验结果用作智能体后训练奖励。使用该流程对 Qwen3.8-27B 进行 50 步 GRPO 微调后，平均成功率从 51.70% 升至 60.78%，每次尝试均成功的任务从 38 项增至 107 项。
推荐理由
文章展示了将数据库终态校验转为训练奖励的流程，并用未参与训练的基准评估重复成功率与任务覆盖率的变化。
来源：Hugging Face Blog · huggingface.co