AI 日报 · 2026 年 10 月 23 日 · 星期五

微软与 Hugging Face 联合开源 ThinkingBox-Training 框架，将智能体操作后的数据库终态可执行校验转化为强化学习的二元奖励信号。在对 Qwen3.8-27B 模型进行 50 步 GRPO 微调后，基准测试平均成功率从 51.70% 提升至 60.78%，连续 20 次测试均成功的稳定任务数从 38 项增加至 107 项。