Hugging Face Blog·· 4 天前精选AI 评分70
Microsoft 与 Hugging Face 发布 ThinkingBox-Training：用数据库评分作 RL 奖励后训练 Agent
Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox
来源与原文
Hugging Face Blog
发布时间：（北京时间）
阅读原始来源 · huggingface.co ↗完整链接与内容说明
https://huggingface.co/blog/microsoft/thinkingbox-training
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
Microsoft 与 Hugging Face 发布 ThinkingBox-Training，在 GitHub 开源了将数据库终态可执行检查转化为 RL 奖励的后训练流程。用离线策略相对难度筛选出 187 个训练任务，对 Qwen3.8-27B 做 50 步 GRPO 后，ThinkingBox-Bench 507 个任务中每次都成功的任务从 38（7.50%）升至 107（21.10%），pass@1 从 51.70% 升至 60.78%，pass@20 略降 7 个任务；单个可靠任务成本从 $24.36 降至 $8.00。
推荐理由
把数据库终态检查直接用作 RL 奖励的完整训练配方，任务筛选方法和成本变化都给了数据，可迁移到有状态 Agent 训练。
来源：Hugging Face Blog · huggingface.co