Hugging Face Blog·· 10 天前精选AI 评分64
ThinkingBox 把数据库终态校验变成 RL 奖励训练 Agent
Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox
AI 导读
微软与 Hugging Face 发布 ThinkingBox-Training，把数据库终态的可执行校验结果当作强化学习奖励，对 Qwen3.8-27B 做 50 步 GRPO 后，pass@1 从 51.70% 升至 60.78%，20 次全部正确的任务从 38 个增至 107 个。
推荐理由
原文给出用数据库终态校验当强化学习奖励的完整训练流程与开源代码，读者可据此复现或迁移到自家 Agent 任务。
来源：Hugging Face Blog · huggingface.co