Hugging Face Blog·· 17 小时前精选AI 评分72
微软与 Hugging Face 开源 ThinkingBox-Training：以数据库终态检验作为奖励后训练智能体
Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox
AI 导读
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。
推荐理由
该方法通过真实数据库终态校验提供确定性奖励并过滤无效任务，为提升智能体业务执行的一致性提供了可迁移的工程参考。
来源：Hugging Face Blog · huggingface.co